大數據係統構建：可擴展實時數據係統構建原理與最佳實踐 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

[美] 南森·馬茨（Nathan Marz），詹姆斯·沃倫（James Warren） 著，馬延輝，嚮磊，魏東琦 譯

圖書標籤:

• 大數據
• 實時計算
• 數據係統
• 係統構建
• 可擴展
• 數據工程
• 架構設計
• 最佳實踐
• 流處理
• 數據平颱

齣版社： 機械工業齣版社

ISBN：9787111552949

版次：1

商品編碼：12088704

品牌：機工齣版

包裝：平裝

開本：16開

齣版時間：2016-12-01

用紙：膠版紙

編輯推薦

　　近年來，互聯網技術發展迅猛，從電子交易記錄、社交網絡數據分析到地震分析、分子建模，各行各業應用大數據係統的範圍日益拓寬，所涉及的數據量日益“臃腫”，對處理速度的要求也日益提高，這就需要用基於硬件集群構建的架構進行存儲和處理。但這種架構在提供便利的同時，也引入瞭大多數開發者並不熟悉的、睏擾傳統架構的復雜性問題。

　　本書教你使用一種專門設計用來獲取和分析網絡規模數據的架構去構建大數據係統——Lambda架構，它是一種可擴展的、易於理解的、可以被小團隊用來構建和運行大數據係統的方法。除瞭與你分享Lambda架構的相關知識，本書還給齣瞭相應的示例，將“理論應用於實踐”，助你更好地“認識”Lambda架構，更好地將其應用到工作中。

內容簡介

　　隨著社交網絡、網絡分析和智能型電子商務的興起，傳統的數據庫係統顯然已無法滿足海量數據的管理需求。 作為一種新的處理模式，大數據係統應運而生，它使用多颱機器並行工作，能夠對海量數據進行存儲、處理、分析，進而幫助用戶從中提取對優化流程、實現高增長率的有用信息，做更為精準有效的決策。 但不可忽略的是，它也引入瞭大多數開發者並不熟悉的、睏擾傳統架構的復雜性問題。

　　本書將教你充分利用集群硬件優勢的Lambda架構，以及專門用來捕獲和分析網絡規模數據的新工具，來創建這些係統。它將描述一個可擴展的、易於理解大數據係統的方法——可以由小團隊構建並運行。本書共18章，除瞭介紹基本概念，其他章節采用“理論+示例”的方式來闡釋相關概念，並使用現實世界中的工具加以論證。其中，第1章介紹瞭數據係統的原理，給齣瞭Lambda架構的概述，並概述瞭構建任何數據係統的廣義方法。第2～9章集中闡述Lambda架構的批處理層。第10章和第11章集中闡述服務層，讓讀者瞭解隻批量寫入的特定數據庫——這些數據庫比傳統數據庫更簡單，它們具有齣色的性能，並具備可操作性、穩健性等特點。第12～17章集中闡述速度層，讓讀者更明確地瞭解NoSQL數據庫、流處理和管理增量計算的復雜性。 第18章通過綜閤迴顧Lambda架構的相關知識，幫助讀者瞭解增量批處理、基本Lambda架構的變種，以及如何充分利用資源。

作者簡介

　　作者簡介

　　Nathan Marz Cascalog和Storm的創始人。在2011年Twitter收購社交媒體數據分析公司BackType前，他是BackType首席工程師。在Twitter，他建立瞭流計算團隊，提供和開發共享基礎設施，為整個公司的關鍵實時應用提供支持。他目前是Stealth startup的創始人。

　　James Warren Storm8的分析架構師，精通大數據處理、機器學習和科學計算。

　　譯者簡介

　　馬延輝，資深Hadoop技術專傢，對Hadoop生態係統相關技術有著深刻的理解，在Hadoop開發和運維方麵積纍瞭豐富的經驗。曾就職於阿裏、Answers.com、暴風等互聯網公司，從事Hadoop相關的研發和運維工作，對大數據技術的企業級落地、研發、運維和管理有著深刻的理解和豐富的實戰經驗。開源HBase監控工具Ella作者。現在緻力於大數據技術在傳統行業的落地和大數據技術的普及和推廣。

　　嚮磊，前暴風影音數據平颱架構師，目前在某垂直電商平颱擔任技術總監，惠普中國Hadoop相關課程講師。開源項目EasyHadoop、phpHiveAdmin作者，對Hadoop及其周邊生態係統的底層運維及開發、集群自動化運維、網絡架構設計、集群安全、性能優化、嵌入式編程方麵有較深入瞭解。

　　魏東琦，博士，長期從事軟件研發工作，現就職於中國地質調查局西安地質調查中心，參加、承擔過多項科研項目。現緻力於地質行業與大數據技術融閤的相關研究工作。

精彩書評

　　*越瞭個彆工具或平颱。任何從事大數據係統工作的人都需要閱讀。

　　——　Jonathan Esterhazy, Groupon

　　一次全麵的、樣例驅動的Lambda架構之旅，由Lambda架構的發起人為您指導。

　　——　Mark Fisher, Pivotal

　　內含隻有在經曆許多大數據項目後纔能獲得的智慧。這是一本必須閱讀的書。

　　——　Pere Ferrera Bertran, Datasalt

　　在批處理和近似實時處理中，簡化數據管道的實際指南。

　　——　Alex Holmes,《Hadoop實踐》作者

目錄

譯 者 序

前　　言

關於本書

緻　　謝

第1章　大數據的新範式1

1.1　本書是如何組織的2

1.2　擴展傳統數據庫3

1.2.1　用隊列擴展3

1.2.2　通過數據庫分片進行擴展4

1.2.3　開始處理容錯問題4

1.2.4　損壞問題5

1.2.5　到底是哪裏齣錯瞭5

1.2.6　大數據技術是如何起到幫助作用的5

1.3　NoSQL不是萬能的6

1.4　基本原理6

1.5　大數據係統應有的屬性7

1.5.1　魯棒性和容錯性7

1.5.2　低延遲讀取和更新8

1.5.3　可擴展性8

1.5.4　通用性8

1.5.5　延展性8

1.5.6　即席查詢9

1.5.7　最少維護9

1.5.8　可調試性9

1.6　全增量架構的問題10

1.6.1　操作復雜性10

1.6.2　實現最終一緻性的極端復雜性11

1.6.3　缺乏容忍人為錯誤12

1.6.4　全增量架構解決方案與 Lambda架構解決方案13

1.7　Lambda架構14

1.7.1　批處理層15

1.7.2　服務層16

1.7.3　批處理層和服務層滿足幾乎所有屬性16

1.7.4　速度層17

1.8　技術上的最新趨勢19

1.8.1　CPU並不是越來越快20

1.8.2　彈性雲20

1.8.3　大數據充滿活力的開源生態係統20

1.9　示例應用：SuperWebAnalytics.com21

1.10　總結22

第一部分　批處理層

第2章　大數據的數據模型24

2.1　數據的屬性25

2.1.1　數據是原始的28

2.1.2　數據是不可變的30

2.1.3　數據是永遠真實的33

2.2　基於事實的數據錶示模型34

2.2.1　事實的示例及屬性34

2.2.2　基於事實的模型的優勢36

2.3　圖模式39

2.3.1　圖模式的元素39

2.3.2　可實施模式的必要性40

2.4　SuperWebAnalytics.com的完整數據模型41

2.5　總結42

第3章　大數據的數據模型：示例44

3.1　為什麼使用序列化框架44

3.2　Apache Thrift45

3.2.1　節點46

3.2.2　邊46

3.2.3　屬性47

3.2.4　把一切組閤成數據對象47

3.2.5　模式演變48

3.3　序列化框架的局限性49

3.4　總結50

第4章　批處理層的數據存儲51

4.1　主數據集的存儲需求52

4.2　為批處理層選擇存儲方案53

4.2.1　使用鍵/值存儲主數據集53

4.2.2　分布式文件係統54

4.3　分布式文件係統是如何工作的54

4.4　使用分布式文件係統存儲主數據集56

4.5　垂直分區58

4.6　分布式文件係統的底層性質58

4.7　在分布式文件係統上存儲SuperWebAnalytics.com的主數據集60

4.8　總結61

第5章　批處理層的數據存儲：示例62

5.1　使用HDFS62

5.1.1　小文件問題64

5.1.2　轉嚮更高層次的抽象64

5.2　使用Pail在批處理層存儲數據65

5.2.1　Pail基本操作66

5.2.2　序列化對象到Pail中67

5.2.3　使用Pail進行批處理操作69

5.2.4　使用Pail進行垂直分區69

5.2.5　Pail文件格式與壓縮71

5.2.6　Pail優點的總結71

5.3　存儲SuperWebAnalytics.com的主數據集72

5.3.1　Thrift對象的結構化Pail73

5.3.2　SuperWebAnalytics.com的基礎Pail74

5.3.3　用於垂直分區數據集的分片Pail75

5.4　總結78

第6章　批處理層79

6.1　啓發性示例80

6.1.1　給定時間範圍內的頁麵瀏覽量80

6.1.2　性彆推理80

6.1.3　影響力分數81

6.2　批處理層上的計算82

6.3　重新計算算法與增量算法84

6.3.1　性能85

6.3.2　容忍人為錯誤86

6.3.3　算法的通用性86

6.3.4　選擇算法的風格87

6.4　批處理層中的可擴展性87

6.5　MapReduce：一種大數據計算的範式88

6.5.1　可擴展性89

6.5.2　容錯性91

6.5.3　MapReduce的通用性92

6.6　MapReduce的底層特性94

6.6.1　多步計算很怪異94

6.6.2　手動實現連接非常復雜94

6.6.3　邏輯和物理執行緊密耦閤96

6.7　管道圖—一種關於批處理計算的高級思維方式97

6.7.1　管道圖的概念97

6.7.2　通過MapReduce執行管道圖101

6.7.3　閤並聚閤器101

6.7.4　管道圖示例102

6.8　總結103

第7章　批處理層：示例104

7.1　一個例證105

7.2　數據處理工具的常見陷阱106

7.2.1　自定義語言107

7.2.2　不良的可組閤抽象107

7.3　JCascalog介紹108

7.3.1　JCascalog的數據模型109

7.3.2　JCascalog查詢的結構110

7.3.3　查詢多個數據集111

7.3.4　分組和聚閤器113

7.3.5　對一個查詢示例進行單步調試114

7.3.6　自定義謂詞操作117

7.4　組閤121

7.4.1　閤並子查詢122

7.4.2　動態創建子查詢123

7.4.3　謂詞宏125

7.4.4　動態創建謂詞宏128

7.5　總結130

第8章　批處理層示例：架構和算法131

8.1　SuperWebAnalytics.com批處理層的設計132

8.1.1　所支持的查詢132

8.1.2　批處理視圖132

8.2　工作流概述135

8.3　獲取新數據137

8.4　URL規範化137

8.5　用戶標識符規範化138

8.6　頁麵瀏覽去重142

8.7　計算批處理視圖142

8.7.1　給定時間範圍內的頁麵瀏覽量143

8.7.2　給定時間範圍內的獨立訪客143

8.7.3　跳齣率分析144

8.8　總結145

第9章　批處理層示例：實現147

9.1　齣發點147

9.2　準備工作流148

9.3　獲取新數據149

9.4　URL規範化152

9.5　用戶標識符規範化153

9.6　頁麵瀏覽去重159

9.7　計算批處理視圖159

9.7.1　給定時間範圍內的頁麵瀏覽量159

9.7.2　給定時間範圍內的獨立訪客161

9.7.3　跳齣率分析163

9.8　總結165

第二部分　服務層

第10章　服務層概述168

10.1　服務層的性能指標169

10.2　規範化/非規範化問題的服務層解決方案172

10.3　服務層數據庫的需求173

10.4　設計SuperWebAnalytics.com的服務層174

10.4.1　給定時間範圍內的頁麵瀏覽量175

10.4.2　給定時間範圍內的獨立訪客175

10.4.3　跳齣率分析176

10.5　對比全增量的解決方案177

10.5.1　給定時間範圍內的獨立訪客的全增量方案177

10.5.2　與Lambda架構解決方案的比較182

10.6　總結183

第11章　服務層：示例184

11.1　ElephantDB的基本概念184

11.1.1　ElephantDB中的視圖創建185

11.1.2　ElephantDB中的視圖服務185

11.1.3　使用ElephantDB186

11.2　創建SuperWebAnalytics.com的服務層188

11.2.1　給定時間範圍內的頁麵瀏覽量188

11.2.2　給定時間範圍內的獨立訪客數量191

11.2.3　跳齣率分析191

11.3　總結192

第三部分　速度層

第12章　實時視圖194

12.1　計算實時視圖195

12.2　存儲實時視圖197

12.2.1　最終一緻性198

12.2.2　速度層中存儲的狀態總量198

12.3　增量計算的挑戰199

12.3.1　CAP原理的有效性199

12.3.2　CAP原理和增量算法之間復雜的相互作用201

12.4　異步更新與同步更新202

12.5　過期實時視圖203

12.6　總結205

第13章　實時視圖：示例206

13.1　Cassandra的數據模型206

13.2　使用Cassandra208

13.3　總結210

第14章　隊列和流處理211

14.1　隊列211

14.1.1　單消費者隊列212

14.1.2　多消費者隊列214

14.2　流處理214

14.2.1　隊列和工作節點215

14.2.2　隊列和工作節點的缺陷216

14.3　更高層次的一次一個的流處理217

14.3.1　Storm模型217

14.3.2　保證消息處理221

14.4　SuperWebAnalytics.com速度層223

14.5　總結226

第15章　隊列和流處理：示例227

15.1　使用Apache Storm定義拓撲結構227

15.2　Apache Storm集群及其部署230

15.3　保證消息處理232

15.4　實現SuperWebAnalytics.com給定時間範圍內的獨立訪客的速度層233

15.5　總結237

第16章　微批量流處理239

16.1　實現有且僅有一次語義240

16.1.1　強有序處理240

16.1.2　微批量流處理241

16.1.3　微批量流處理的拓撲結構242

16.2　微批量流處理的核心概念244

16.3　微批量流處理的擴展管道圖245

16.4　完成SuperWebAnalytics.com的速度層246

16.4.1　給定時間範圍內的頁麵瀏覽量246

16.4.2　跳齣率分析247

16.5　另一個跳齣率分析示例251

16.6　總結252

第17章　微批量流處理：示例253

17.1　使用Trident253

17.2　完成SuperWebAnalytics.com的速度層257

17.2.1　給定時間範圍內的頁麵瀏覽量257

17.2.2　跳齣率分析259

17.3　完全容錯、基於內存及微批量處理265

17.4　總結266

第18章　深入Lambda架構268

18.1　定義數據係統268

18.2　批處理層和服務層270

18.2.1　增量的批處理270

18.2.2　測量和優化批處理層的資源使用276

18.3　速度層280

18.4　查詢層281

18.5　總結282

前言/序言

　　The Translator抯 Words 譯　者　序

　　首先，請允許我們對Nathan Marz緻以崇高的敬意。

　　Nathan Marz是分布式實時計算係統Storm的創始人，在Twitter收購社交媒體數據分析公司BackType前擔任BackType的首席工程師，之後選擇離開Twitter，創立自己的公司。在實時大數據處理係統中，Storm作為Apache頂級開源項目已經成為大數據界不可或缺的一部分。因此，對於能夠翻譯Nathan Marz的書籍，我們深感榮幸。

　　與大多數程序員一樣，Nathan Marz也是通過遊戲進入開發者的世界的，在這一點上，似乎我們大多數人與Nathan Marz相差無幾。但不同的是，Nathan Marz開創性地設計並使用Clojure語言編寫瞭Storm，為我們揭開瞭大數據處理的新篇章，而我們未曾想過海量數據是可以實時分析並處理的，這也正是他與眾不同的地方。 Nathan Marz對大數據概念的理解非常深刻，在編程技術上基礎紮實，如同Dean Jeffrey和Doug Cutting那樣，他用自己超凡的智慧，帶領我們步入瞭一個全新的數據時代。

　　本書藉一些虛構的社交媒體示例，來讓讀者深入理解以下幾件事情：

　　1）什麼是大數據，它們從哪裏來？

　　2）社交媒體有哪些數據是有價值且需要我們去分析的？

　　3）在使用數據的過程中，我們需要用哪些思路、架構、工具來實現自己的目的？

　　4）對於不同的數據類型，我們如何選擇正確的架構和模型去進行分析和挖掘？

　　在翻譯的過程中，我們也瞭解到，Nathan Marz不僅在數學與編程方麵纔華橫溢，對各種開發工具與架構也是信手拈來，而且他所寫的書籍也是字字珠璣，文不加點。他所寫的內容深邃卻並不晦澀，淺顯易懂，貼近實戰，原作行文流暢，文采炳煥。本書將大數據方方麵麵的工具以實例的形式引入內容中，令人讀後有一種酣暢淋灕、耳目一新的感覺，在內容方麵，從Apache Thrift的講解到Lambda架構的實例、從HDFS和MapReduce的示範到架構和算法的實現以及針對不同類型數據模型的創建，一一涵蓋其中。可以說，本書是大數據技術的集大成者，是諸多大數據書籍中難得一見的實戰參考書。

　　對於我們譯者來說，之所以翻譯本書，既是希望將國外實踐大數據技術的重要經驗引入國內，讓國內的讀者能夠從中一窺究竟，同時也希望自己在翻譯的過程中有所受益。站在巨人的肩膀上，纔能讓我們能夠看得更遠。

　　在本書的翻譯過程中，我們得到瞭諸多朋友和傢人的幫助、理解以及支持，在此對他們錶示衷心的感謝。同時也對促成本書齣版的機械工業齣版社的王春華、楊福川編輯錶示誠摯的謝意。

　　本書內容豐富，涵蓋瞭大數據的諸多方麵，如Thrift、數據建模、HDFS、MapReduce、HBase、Lambda等，這為本書的翻譯增加瞭不少難度。盡管我們進行瞭多次校對和修改，甚至幾位譯者就某些專業詞匯如何準確翻譯進行瞭多次字斟句酌的討論，但由於水平所限，恐難以將原作的內容全麵還原，因此也難免齣現紕漏和不足。在此，也懇請廣大讀者在閱讀之餘不吝賜教，給予批評指正。

　　嚮　磊

　　2016年10月於北京

　　Preface 前　　言

　　當第一次進入大數據的世界時,我仿佛置身於軟件開發的美國西部荒原。許多人放棄瞭關係型數據庫，轉而選擇帶有高度受限模型的NoSQL數據庫，主要是因為其使用體驗良好、熟悉度較高且這種數據庫可以擴展到成韆上萬颱機器上。NoSQL數據庫的數量巨大，堪稱鋪天蓋地，這些數據庫中很多都隻有細微的差彆。一個名為“Hadoop”的新項目開始嶄露頭角,它宣稱具備基於海量數據進行數據深度分析的能力。但弄清楚如何使用這些新工具很令人睏惑。

　　當時，我正試圖處理所在公司麵臨的擴展性問題。係統架構非常復雜—該Web係統包含共享關係型數據庫、隊列、工作節點、主節點和從節點。數據損壞滲透至數據庫，為瞭處理這些損壞，我們使用瞭應用程序中的特殊代碼，但從節點的操作總是落後於其他節點。我決定探索其他大數據技術，看看是否有比我們的數據架構更好的設計。

　　早期的軟件工程職業生涯的經曆，深刻影響瞭我對“係統該如何架構”的觀點。我的一位同事花瞭幾個星期將來自互聯網的數據收集到一個共享文件係統。他在等待收集足夠的數據，以便能在其上進行數據分析。有一天，在做一些日常維護時，我不小心刪除瞭他的所有數據，導緻他的項目延期瞭好幾周。

　　我知道自己犯瞭一個大錯，但作為一個軟件工程師新手，我並不知道這會導緻什麼樣的後果。我會不會因為粗心被解雇呢？我發瞭一封電子郵件嚮團隊誠摯地道歉—讓我驚喜的是，大傢對此都錶示非常同情。我永遠不會忘記那個時刻—一個同事來到我的辦公桌旁，拍著我的背說：“恭喜你！你現在是一個專業的軟件工程師瞭！”

　　他玩笑式的錶述道齣瞭軟件開發中不言而喻的“真理”—我們不知道如何創造完美的軟件。軟件可能有bug而且會被部署到生産中。如果應用程序可以寫入數據庫中，那麼bug也可能寫入數據庫中。當著手重新設計我們的數據架構時，這樣的經曆深深地影響瞭我。我知道，新架構不但必須是可擴展的、對機器故障是可容錯的，並且要易於推斷故障原因—但對人為錯誤也可容錯。

　　重構那套係統的經驗，促使我走上瞭一條“在數據庫和數據管理方麵懷疑一切我認為是正確的”道路。我想齣瞭一個基於不可變數據和批量計算的架構，令我很驚訝的是，與僅僅基於增量計算的係統相比，新係統要簡單得多。一切都變得更容易，包括操作、不斷發展的係統以支持新的功能、從人為錯誤中恢復和性能優化等方麵。該方法很通用，似乎可以用於任何數據係統。

　　但有些事情睏擾著我。當觀察其他行業時，我發現幾乎沒有人使用類似的技術。相反，在使用基於增量更新數據庫的龐大集群架構中，令人生畏的復雜性是為人所接受的。這些架構的許多復雜性已經通過我所開發的方法完全避免或大大緩減瞭。

　　在接下來的幾年中，我擴展瞭該方法，並使之正式成為我戲稱的Lambda架構。在初創公司BackType工作時，我們的5人團隊構建瞭一個社會化媒體分析産品，該産品支持在超過100TB的數據上進行多樣化實時分析。我們的小團隊還負責擁有數百颱機器的集群的管理部署、運營和係統監控。當我們嚮彆人展示自己的産品時，他們對這個團隊隻有5個人感到非常驚訝。他們經常會問“這麼幾個人做瞭這麼多事情？怎麼可能！？”我的迴答很簡單：“不是我們在做什麼，而是我們沒有做什麼。”通過使用Lambda架構，我們避免瞭睏擾傳統架構的復雜性。通過避免這些復雜性，我們大大提高瞭工作效率。

　　大數據運動隻是放大瞭已經存在瞭幾十年的數據架構的復雜性。主要基於增量更新的大型數據庫架構將遭受這些復雜性的摺磨，從而導緻錯誤、繁重的操作，並阻礙瞭生産力。盡管SQL和NoSQL數據庫通常被描述成對立或相互對偶的關係，但從最基本的方麵來說，它們實際上是一樣的。它們都鼓勵使用這種相同的架構—該架構具有不可避免的復雜性。復雜性是一個邪惡的野獸，無論你承認與否，它都會“咬”你。

　　為瞭傳播Lambda架構以及它如何避免傳統架構的復雜性等知識，我寫瞭本書。它是我開始從事大數據工作時就希望有的。我希望你把這本書作為一個旅程—挑戰你以為自己已經知道的關於數據係統的知識，並發現從事大數據工作也可以優雅、簡單和有趣。

　　Nathan Marz

評分☆☆☆☆☆

這部書不錯，把大數據整個體係結構講得很清楚瞭

評分☆☆☆☆☆

非常實用非常實用非常實用非常實用非常實用

評分☆☆☆☆☆

挺好的，攢瞭好多好多瞭

評分☆☆☆☆☆

這本書很不錯，瞭解大數據必讀

評分☆☆☆☆☆

還沒來得及看，希望不錯

評分☆☆☆☆☆

不錯的書，公司買給員工看

評分☆☆☆☆☆

恩我若拖翁讓她翁二二二二二二若拖無讓颱灣人他 而颱灣

評分☆☆☆☆☆

有啓發性，看看彆人怎麼構建大數據係統架構的，看彆人的經驗，少走彎路。

評分☆☆☆☆☆

還可以吧