大數(shù)據(jù)系統(tǒng)構(gòu)建：可擴(kuò)展實(shí)時(shí)數(shù)據(jù)系統(tǒng)構(gòu)建原理與最佳實(shí)踐

譯 者 序
前　　言
關(guān)于本書
致　　謝
第1章　大數(shù)據(jù)的新范式1
1.1　本書是如何組織的2
1.2　擴(kuò)展傳統(tǒng)數(shù)據(jù)庫3
1.2.1　用隊(duì)列擴(kuò)展3
1.2.2　通過數(shù)據(jù)庫分片進(jìn)行擴(kuò)展4
1.2.3　開始處理容錯(cuò)問題4
1.2.4　損壞問題5
1.2.5　到底是哪里出錯(cuò)了5
1.2.6　大數(shù)據(jù)技術(shù)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(shù)據(jù)系統(tǒng)應(yīng)有的屬性7
1.5.1　魯棒性和容錯(cuò)性7
1.5.2　低延遲讀取和更新8
1.5.3　可擴(kuò)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(hù)9
1.5.8　可調(diào)試性9
1.6　全增量架構(gòu)的問題10
1.6.1　操作復(fù)雜性10
1.6.2　實(shí)現(xiàn)最終一致性的極端復(fù)雜性11
1.6.3　缺乏容忍人為錯(cuò)誤12
1.6.4　全增量架構(gòu)解決方案與 Lambda架構(gòu)解決方案13
1.7　Lambda架構(gòu)14
1.7.1　批處理層15
1.7.2　服務(wù)層16
1.7.3　批處理層和服務(wù)層滿足幾乎所有屬性16
1.7.4　速度層17
1.8　技術(shù)上的最新趨勢19
1.8.1　CPU并不是越來越快20
1.8.2　彈性云20
1.8.3　大數(shù)據(jù)充滿活力的開源生態(tài)系統(tǒng)20
1.9　示例應(yīng)用：SuperWebAnalytics.com21
1.10　總結(jié)22
第一部分　批處理層
第2章　大數(shù)據(jù)的數(shù)據(jù)模型24
2.1　數(shù)據(jù)的屬性25
2.1.1　數(shù)據(jù)是原始的28
2.1.2　數(shù)據(jù)是不可變的30
2.1.3　數(shù)據(jù)是永遠(yuǎn)真實(shí)的33
2.2　基于事實(shí)的數(shù)據(jù)表示模型34
2.2.1　事實(shí)的示例及屬性34
2.2.2　基于事實(shí)的模型的優(yōu)勢36
2.3　圖模式39
2.3.1　圖模式的元素39
2.3.2　可實(shí)施模式的必要性40
2.4　SuperWebAnalytics.com的完整數(shù)據(jù)模型41
2.5　總結(jié)42
第3章　大數(shù)據(jù)的數(shù)據(jù)模型：示例44
3.1　為什么使用序列化框架44
3.2　Apache Thrift45
3.2.1　節(jié)點(diǎn)46
3.2.2　邊46
3.2.3　屬性47
3.2.4　把一切組合成數(shù)據(jù)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(jié)50
第4章　批處理層的數(shù)據(jù)存儲(chǔ)51
4.1　主數(shù)據(jù)集的存儲(chǔ)需求52
4.2　為批處理層選擇存儲(chǔ)方案53
4.2.1　使用鍵/值存儲(chǔ)主數(shù)據(jù)集53
4.2.2　分布式文件系統(tǒng)54
4.3　分布式文件系統(tǒng)是如何工作的54
4.4　使用分布式文件系統(tǒng)存儲(chǔ)主數(shù)據(jù)集56
4.5　垂直分區(qū)58
4.6　分布式文件系統(tǒng)的底層性質(zhì)58
4.7　在分布式文件系統(tǒng)上存儲(chǔ)SuperWebAnalytics.com的主數(shù)據(jù)集60
4.8　總結(jié)61
第5章　批處理層的數(shù)據(jù)存儲(chǔ)：示例62
5.1　使用HDFS62
5.1.1　小文件問題64
5.1.2　轉(zhuǎn)向更高層次的抽象64
5.2　使用Pail在批處理層存儲(chǔ)數(shù)據(jù)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(jìn)行批處理操作69
5.2.4　使用Pail進(jìn)行垂直分區(qū)69
5.2.5　Pail文件格式與壓縮71
5.2.6　Pail優(yōu)點(diǎn)的總結(jié)71
5.3　存儲(chǔ)SuperWebAnalytics.com的主數(shù)據(jù)集72
5.3.1　Thrift對象的結(jié)構(gòu)化Pail73
5.3.2　SuperWebAnalytics.com的基礎(chǔ)Pail74
5.3.3　用于垂直分區(qū)數(shù)據(jù)集的分片Pail75
5.4　總結(jié)78
第6章　批處理層79
6.1　啟發(fā)性示例80
6.1.1　給定時(shí)間范圍內(nèi)的頁面瀏覽量80
6.1.2　性別推理80
6.1.3　影響力分?jǐn)?shù)81
6.2　批處理層上的計(jì)算82
6.3　重新計(jì)算算法與增量算法84
6.3.1　性能85
6.3.2　容忍人為錯(cuò)誤86
6.3.3　算法的通用性86
6.3.4　選擇算法的風(fēng)格87
6.4　批處理層中的可擴(kuò)展性87
6.5　MapReduce：一種大數(shù)據(jù)計(jì)算的范式88
6.5.1　可擴(kuò)展性89
6.5.2　容錯(cuò)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(jì)算很怪異94
6.6.2　手動(dòng)實(shí)現(xiàn)連接非常復(fù)雜94
6.6.3　邏輯和物理執(zhí)行緊密耦合96
6.7　管道圖—一種關(guān)于批處理計(jì)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(zhí)行管道圖101
6.7.3　合并聚合器101
6.7.4　管道圖示例102
6.8　總結(jié)103
第7章　批處理層：示例104
7.1　一個(gè)例證105
7.2　數(shù)據(jù)處理工具的常見陷阱106
7.2.1　自定義語言107
7.2.2　不良的可組合抽象107
7.3　JCascalog介紹108
7.3.1　JCascalog的數(shù)據(jù)模型109
7.3.2　JCascalog查詢的結(jié)構(gòu)110
7.3.3　查詢多個(gè)數(shù)據(jù)集111
7.3.4　分組和聚合器113
7.3.5　對一個(gè)查詢示例進(jìn)行單步調(diào)試114
7.3.6　自定義謂詞操作117
7.4　組合121
7.4.1　合并子查詢122
7.4.2　動(dòng)態(tài)創(chuàng)建子查詢123
7.4.3　謂詞宏125
7.4.4　動(dòng)態(tài)創(chuàng)建謂詞宏128
7.5　總結(jié)130
第8章　批處理層示例：架構(gòu)和算法131
8.1　SuperWebAnalytics.com批處理層的設(shè)計(jì)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(shù)據(jù)137
8.4　URL規(guī)范化137
8.5　用戶標(biāo)識符規(guī)范化138
8.6　頁面瀏覽去重142
8.7　計(jì)算批處理視圖142
8.7.1　給定時(shí)間范圍內(nèi)的頁面瀏覽量143
8.7.2　給定時(shí)間范圍內(nèi)的獨(dú)立訪客143
8.7.3　跳出率分析144
8.8　總結(jié)145
第9章　批處理層示例：實(shí)現(xiàn)147
9.1　出發(fā)點(diǎn)147
9.2　準(zhǔn)備工作流148
9.3　獲取新數(shù)據(jù)149
9.4　URL規(guī)范化152
9.5　用戶標(biāo)識符規(guī)范化153
9.6　頁面瀏覽去重159
9.7　計(jì)算批處理視圖159
9.7.1　給定時(shí)間范圍內(nèi)的頁面瀏覽量159
9.7.2　給定時(shí)間范圍內(nèi)的獨(dú)立訪客161
9.7.3　跳出率分析163
9.8　總結(jié)165
第二部分　服務(wù)層
第10章　服務(wù)層概述168
10.1　服務(wù)層的性能指標(biāo)169
10.2　規(guī)范化/非規(guī)范化問題的服務(wù)層解決方案172
10.3　服務(wù)層數(shù)據(jù)庫的需求173
10.4　設(shè)計(jì)SuperWebAnalytics.com的服務(wù)層174
10.4.1　給定時(shí)間范圍內(nèi)的頁面瀏覽量175
10.4.2　給定時(shí)間范圍內(nèi)的獨(dú)立訪客175
10.4.3　跳出率分析176
10.5　對比全增量的解決方案177
10.5.1　給定時(shí)間范圍內(nèi)的獨(dú)立訪客的全增量方案177
10.5.2　與Lambda架構(gòu)解決方案的比較182
10.6　總結(jié)183
第11章　服務(wù)層：示例184
11.1　ElephantDB的基本概念184
11.1.1　ElephantDB中的視圖創(chuàng)建185
11.1.2　ElephantDB中的視圖服務(wù)185
11.1.3　使用ElephantDB186
11.2　創(chuàng)建SuperWebAnalytics.com的服務(wù)層188
11.2.1　給定時(shí)間范圍內(nèi)的頁面瀏覽量188
11.2.2　給定時(shí)間范圍內(nèi)的獨(dú)立訪客數(shù)量191
11.2.3　跳出率分析191
11.3　總結(jié)192
第三部分　速度層
第12章　實(shí)時(shí)視圖194
12.1　計(jì)算實(shí)時(shí)視圖195
12.2　存儲(chǔ)實(shí)時(shí)視圖197
12.2.1　最終一致性198
12.2.2　速度層中存儲(chǔ)的狀態(tài)總量198
12.3　增量計(jì)算的挑戰(zhàn)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(fù)雜的相互作用201
12.4　異步更新與同步更新202
12.5　過期實(shí)時(shí)視圖203
12.6　總結(jié)205
第13章　實(shí)時(shí)視圖：示例206
13.1　Cassandra的數(shù)據(jù)模型206
13.2　使用Cassandra208
13.3　總結(jié)210
第14章　隊(duì)列和流處理211
14.1　隊(duì)列211
14.1.1　單消費(fèi)者隊(duì)列212
14.1.2　多消費(fèi)者隊(duì)列214
14.2　流處理214
14.2.1　隊(duì)列和工作節(jié)點(diǎn)215
14.2.2　隊(duì)列和工作節(jié)點(diǎn)的缺陷216
14.3　更高層次的一次一個(gè)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(jié)226
第15章　隊(duì)列和流處理：示例227
15.1　使用Apache Storm定義拓?fù)浣Y(jié)構(gòu)227
15.2　Apache Storm集群及其部署230
15.3　保證消息處理232
15.4　實(shí)現(xiàn)SuperWebAnalytics.com給定時(shí)間范圍內(nèi)的獨(dú)立訪客的速度層233
15.5　總結(jié)237
第16章　微批量流處理239
16.1　實(shí)現(xiàn)有且僅有一次語義240
16.1.1　強(qiáng)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?fù)浣Y(jié)構(gòu)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(kuò)展管道圖245
16.4　完成SuperWebAnalytics.com的速度層246
16.4.1　給定時(shí)間范圍內(nèi)的頁面瀏覽量246
16.4.2　跳出率分析247
16.5　另一個(gè)跳出率分析示例251
16.6　總結(jié)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(shí)間范圍內(nèi)的頁面瀏覽量257
17.2.2　跳出率分析259
17.3　完全容錯(cuò)、基于內(nèi)存及微批量處理265
17.4　總結(jié)266
第18章　深入Lambda架構(gòu)268
18.1　定義數(shù)據(jù)系統(tǒng)268
18.2　批處理層和服務(wù)層270
18.2.1　增量的批處理270
18.2.2　測量和優(yōu)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(jié)282