大數(shù)據(jù)測試技術(shù)與實踐（全彩印刷）

定　價：￥118.00

作　者：	艾輝著，融360 AI測試團隊編
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115571861	出版時間：	2021-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	276	字數(shù)：

內(nèi)容簡介

　　本書全面系統(tǒng)地介紹了大數(shù)據(jù)的測試技術(shù)與質(zhì)量體系建設(shè)。本書共11章，第1～4章涵蓋認識大數(shù)據(jù)，大數(shù)據(jù)技術(shù)生態(tài)，數(shù)據(jù)倉庫的設(shè)計與構(gòu)建，以及大數(shù)據(jù)項目開發(fā)流程；第5～7章講解大數(shù)據(jù)測試方法、大數(shù)據(jù)測試實踐和數(shù)據(jù)質(zhì)量管理；第8～10章介紹大數(shù)據(jù)測試平臺實踐、數(shù)據(jù)治理平臺建設(shè)，以及DataOps的理念與實踐；第11章提供大數(shù)據(jù)測試學習路線。附錄列出了大數(shù)據(jù)技術(shù)經(jīng)典面試題。本書適合想要了解大數(shù)據(jù)技術(shù)的讀者，以及想要學習和掌握大數(shù)據(jù)測試與大數(shù)據(jù)開發(fā)的從業(yè)者。通過閱讀本書，測試工程師可以系統(tǒng)地學習大數(shù)據(jù)技術(shù)基礎(chǔ)、大數(shù)據(jù)開發(fā)和大數(shù)據(jù)測試等知識；大數(shù)據(jù)開發(fā)工程師可以借鑒大數(shù)據(jù)質(zhì)量保障的方法，拓寬數(shù)據(jù)工程實踐的思路；技術(shù)專家和技術(shù)管理者可以了解大數(shù)據(jù)質(zhì)量保障體系、數(shù)據(jù)治理建設(shè)和DataOps實踐等內(nèi)容。

作者簡介

　　艾輝，中國人民大學概率論與數(shù)理統(tǒng)計專業(yè)碩士，《機器學習測試入門與實踐》作者之一。目前，擔任融360技術(shù)總監(jiān)，主要負責AI風控產(chǎn)品、用戶產(chǎn)品和基礎(chǔ)架構(gòu)的質(zhì)量保障工作。曾在阿里本地生活擔任高級技術(shù)經(jīng)理，負責用戶產(chǎn)品、新零售產(chǎn)品的質(zhì)量保障工作。擁有9年多的測試開發(fā)工作經(jīng)驗，曾多次受邀在行業(yè)技術(shù)大會（如MTSC、GITC、Top100、TiD、A2M和TICA等）上做主題分享。對大數(shù)據(jù)、機器學習測試技術(shù)有深刻理解，并長期專注于質(zhì)量保障與工程效能領(lǐng)域。陳高飛，東北大學計算機技術(shù)專業(yè)碩士，《機器學習測試入門與實踐》作者之一。目前，擔任融360測試開發(fā)工程師，主要從事機器學習方向的測試開發(fā)工作。擅長白盒測試、大數(shù)據(jù)測試和模型測試，在工具平臺開發(fā)方面有豐富的實踐經(jīng)驗。郝嶸，北京信息科技大學自動化專業(yè)碩士，《機器學習測試入門與實踐》作者之一。目前，擔任融360高級測試開發(fā)工程師，主要負責大數(shù)據(jù)方向的測試開發(fā)工作。擅長Python開發(fā)、大數(shù)據(jù)測試和機器學習測試，主導(dǎo)了多個工具平臺的開發(fā)，在大數(shù)據(jù)質(zhì)量保障方面有豐富的實踐經(jīng)驗。雷天鳴，哈爾濱理工大學計算機科學與技術(shù)專業(yè)碩士，《機器學習測試入門與實踐》作者之一。目前，擔任融360測試開發(fā)工程師，主要從事機器學習方向的測試開發(fā)工作。擅長大數(shù)據(jù)測試、特征測試和模型算法評測等，對金融風控業(yè)務(wù)有深刻理解。李曼曼，融360高級測試開發(fā)工程師，《機器學習測試入門與實踐》作者之一。擁有近11年的測試開發(fā)工作經(jīng)驗，主導(dǎo)了多個工具平臺的開發(fā)和大型項目的測試工作。擅長白盒測試、性能測試、自動化測試、持續(xù)集成和工程效能，在大數(shù)據(jù)和特征模型測試方面有豐富的實踐經(jīng)驗。馬綿，陜西科技大學網(wǎng)絡(luò)工程專業(yè)學士，融360測試開發(fā)工程師。目前主要從事服務(wù)端測試開發(fā)工作，擅長自動化測試、安全測試，在服務(wù)穩(wěn)定性保障方面有豐富的實踐經(jīng)驗。孫冰妍，東北大學通信與信息系統(tǒng)專業(yè)碩士，融360測試開發(fā)工程師。目前主要從事服務(wù)端測試開發(fā)工作，擅長白盒測試、自動化測試、性能測試、安全測試和持續(xù)集成。參與了多個工具平臺的開發(fā)，并主導(dǎo)了多個大型項目的測試工作。對大數(shù)據(jù)測試技術(shù)有深刻理解。孫金娟，山西財經(jīng)大學計算機科學與技術(shù)專業(yè)學士，《機器學習測試入門與實踐》作者之一。目前，擔任融360測試開發(fā)工程師，有近9年的Java開發(fā)、測試開發(fā)工作經(jīng)驗。擅長大數(shù)據(jù)測試和工具平臺開發(fā)，對機器學習、特征模型測試有深刻理解。張咪，北京交通大學通信與信息系統(tǒng)專業(yè)碩士，《機器學習測試入門與實踐》作者之一。目前，擔任融360測試經(jīng)理，主要負責用戶產(chǎn)品的質(zhì)量保障工作，曾負責基礎(chǔ)架構(gòu)、SRE（Site Reliability Engineering，網(wǎng)站可靠性工程）等方面的測試開發(fā)工作。在自動化測試、服務(wù)穩(wěn)定性、專項測試和工程效能等方面有豐富的實踐經(jīng)驗，曾受邀在行業(yè)技術(shù)大會（如MTSC、A2M等）做主題分享。對大數(shù)據(jù)、機器學習測試有深刻的理解，并在這些領(lǐng)域擁有豐富的實踐經(jīng)驗。張朋周，中國地質(zhì)大學計算機科學與技術(shù)專業(yè)碩士，《機器學習測試入門與實踐》作者之一。目前，擔任融360高級測試開發(fā)工程師，曾在百度從事搜索業(yè)務(wù)測試開發(fā)，有近9年的開發(fā)測試工作經(jīng)驗。目前，主要負責機器學習方向的測試開發(fā)工作，主導(dǎo)了多個工具平臺的開發(fā)，在數(shù)據(jù)質(zhì)量保障、模型評估平臺方面有豐富的實踐經(jīng)驗。

圖書目錄

第1章認識大數(shù)據(jù)／1
1.1　大數(shù)據(jù)概述／1
1.2　大數(shù)據(jù)的發(fā)展／2
1.3　大數(shù)據(jù)的應(yīng)用／4
1.3.1　互聯(lián)網(wǎng)領(lǐng)域／4
1.3.2　物流領(lǐng)域／5
1.3.3　教育領(lǐng)域／6
1.3.4　金融領(lǐng)域／7
1.3.5　電信領(lǐng)域／7
1.4　本章小結(jié)／8
第2章大數(shù)據(jù)技術(shù)生態(tài)／9
2.1　大數(shù)據(jù)技術(shù)生態(tài)總覽／9
2.2　大數(shù)據(jù)采集技術(shù)／10
2.3　大數(shù)據(jù)存儲技術(shù)／10
2.3.1　分布式文件系統(tǒng)：HDFS／10
2.3.2　海量數(shù)據(jù)列式存儲： HBase／13
2.3.3　其他數(shù)據(jù)存儲技術(shù)／18
2.4　大數(shù)據(jù)計算分析技術(shù)／19
2.4.1　批處理計算的基石：MapReduce／19
2.4.2　流計算的代表：Storm、Spark Streaming和Flink／21
2.4.3　OLAP引擎：Hive、Impala和Presto／24
2.5　大數(shù)據(jù)管理調(diào)度技術(shù)／30
2.5.1　分布式集群資源調(diào)度框架：YARN／30
2.5.2　容器集群管理系統(tǒng)：Kubernetes／32
2.5.3　大數(shù)據(jù)的“動物園管理員”：ZooKeeper／33
2.5.4　常用的工作流調(diào)度平臺：Azkaban、Oozie和Airflow／34
2.6　大數(shù)據(jù)商業(yè)產(chǎn)品／36
2.7　本章小結(jié)／38
第3章　數(shù)據(jù)倉庫的設(shè)計與構(gòu)建／39
3.1　數(shù)據(jù)倉庫概述／39
3.1.1　什么是數(shù)據(jù)倉庫／39
3.1.2　數(shù)據(jù)倉庫的發(fā)展過程／41
3.1.3　數(shù)據(jù)倉庫與數(shù)據(jù)集市、數(shù)據(jù)湖、數(shù)據(jù)中臺的區(qū)別／43
3.2　數(shù)據(jù)倉庫設(shè)計／44
3.2.1　架構(gòu)分層設(shè)計／44
3.2.2　數(shù)據(jù)模型設(shè)計／46
3.3　數(shù)據(jù)倉庫構(gòu)建／50
3.3.1　數(shù)據(jù)倉庫的構(gòu)建方法與評價標準／50
3.3.2　數(shù)據(jù)倉庫實例／51
3.4　本章小結(jié)／58
第4章　大數(shù)據(jù)項目開發(fā)流程／59
4.1　大數(shù)據(jù)項目開發(fā)概覽／59
4.2　數(shù)據(jù)的采集與存儲／60
4.2.1　服務(wù)端日志采集／61
4.2.2　客戶端日志采集／62
4.2.3　數(shù)據(jù)同步／64
4.2.4　大數(shù)據(jù)存儲／66
4.3　大數(shù)據(jù)計算／67
4.4　大數(shù)據(jù)監(jiān)控／71
4.4.1　數(shù)據(jù)監(jiān)控／71
4.4.2　運維監(jiān)控／72
4.5　大數(shù)據(jù)項目開發(fā)案例／73
4.5.1　項目背景介紹／74
4.5.2　項目需求分析／74
4.5.3　項目開發(fā)流程／76
4.6　本章小結(jié)／83
第5章　大數(shù)據(jù)測試方法／84
5.1　大數(shù)據(jù)測試概述／84
5.1.1　什么是大數(shù)據(jù)測試／84
5.1.2　大數(shù)據(jù)測試與傳統(tǒng)數(shù)據(jù)測試／84
5.2　大數(shù)據(jù)測試類型／85
5.2.1　功能測試／85
5.2.2　性能測試／89
5.2.3　其他非功能性測試／93
5.3　大數(shù)據(jù)測試流程／94
5.4　大數(shù)據(jù)基準測試／96
5.4.1　大數(shù)據(jù)基準測試簡介／97
5.4.2　大數(shù)據(jù)基準測試的步驟／97
5.4.3　大數(shù)據(jù)基準測試工具／98
5.5　大數(shù)據(jù)ETL測試／100
5.5.1　大數(shù)據(jù)ETL測試類型／100
5.5.2　大數(shù)據(jù)ETL測試場景／103
5.5.3　大數(shù)據(jù)ETL測試工具／107
5.6　大數(shù)據(jù)測試總結(jié)／108
5.6.1　大數(shù)據(jù)測試中的典型問題／108
5.6.2　大數(shù)據(jù)測試經(jīng)驗總結(jié)／112
5.6.3　大數(shù)據(jù)測試面臨的挑戰(zhàn)／113
5.7　本章小結(jié)／113
第6章　大數(shù)據(jù)測試實踐／114
6.1　BI報表測試／114
6.1.1　BI工具簡介／114
6.1.2　Tableau簡介／115
6.1.3　BI報表測試實踐／120
6.2　數(shù)據(jù)挖掘產(chǎn)品測試／128
6.2.1　數(shù)據(jù)挖掘的定義和流程／128
6.2.2　數(shù)據(jù)挖掘產(chǎn)品簡介／129
6.2.3　數(shù)據(jù)挖掘產(chǎn)品測試實踐／130
6.3　用戶行為分析平臺測試／139
6.3.1　用戶行為分析平臺測試概覽／139
6.3.2　數(shù)據(jù)采集階段測試／140
6.3.3　實時數(shù)據(jù)處理階段測試／140
6.3.4　離線數(shù)據(jù)處理階段測試／153
6.3.5　數(shù)據(jù)查詢展示階段測試／153
6.4　本章小結(jié)／156
第7章　數(shù)據(jù)質(zhì)量管理／157
7.1　數(shù)據(jù)質(zhì)量管理概述／157
7.2　數(shù)據(jù)質(zhì)量管理流程／158
7.2.1　建立數(shù)據(jù)質(zhì)量管理辦法／159
7.2.2　制定數(shù)據(jù)標準／161
7.2.3　數(shù)據(jù)質(zhì)量自查評估／162
7.2.4　數(shù)據(jù)質(zhì)量問題修復(fù)／170
7.3　本章小結(jié)／173
第8章　大數(shù)據(jù)測試平臺實踐／174
8.1　大數(shù)據(jù)測試平臺背景／174
8.2　大數(shù)據(jù)測試的開源技術(shù)調(diào)研／175
8.2.1　great_expectations／176
8.2.2　WeBankFinTech Qualitis／178
8.3　大數(shù)據(jù)測試的商業(yè)方案分析／181
8.3.1　QuerySurge／182
8.3.2　RightData／184
8.4　從零開始搭建大數(shù)據(jù)測試平臺／186
8.4.1　需求分析／187
8.4.2　架構(gòu)設(shè)計／187
8.4.3　功能實現(xiàn)／189
8.4.4　頁面演示／196
8.4.5　總結(jié)和展望／201
8.5　本章小結(jié)／203
第9章　數(shù)據(jù)治理平臺建設(shè)／204
9.1　數(shù)據(jù)治理概述／204
9.1.1　數(shù)據(jù)治理的基本概念／204
9.1.2　數(shù)據(jù)治理的重要意義／205
9.1.3　數(shù)據(jù)治理面臨的主要挑戰(zhàn)／206
9.1.4　如何開展數(shù)據(jù)治理／206
9.2　數(shù)據(jù)治理平臺體系／207
9.3　元數(shù)據(jù)管理平臺／208
9.3.1　平臺產(chǎn)生背景／208
9.3.2　平臺架構(gòu)／208
9.3.3　模塊設(shè)計：數(shù)據(jù)采集／209
9.3.4　模塊設(shè)計：數(shù)據(jù)查詢／212
9.3.5　模塊設(shè)計：數(shù)據(jù)分析／214
9.4　數(shù)據(jù)質(zhì)量監(jiān)控平臺／219
9.4.1　平臺產(chǎn)生背景／219
9.4.2　平臺架構(gòu)／220
9.4.3　模塊設(shè)計：規(guī)則引擎／221
9.4.4　模塊設(shè)計：任務(wù)中心／230
9.4.5　模塊設(shè)計：報警系統(tǒng) ／230
9.5　本章小結(jié)／232
第10章 DataOps的理念與實踐／233
10.1　DataOps概述／233
10.1.1　什么是DataOps／233
10.1.2　為什么需要DataOps／235
10.1.3　DataOps與DevOps、MLOps的聯(lián)系和區(qū)別／237
10.2　DataOps的能力與特性／239
10.2.1　數(shù)據(jù)工程／239
10.2.2　數(shù)據(jù)集成／240
10.2.3　數(shù)據(jù)安全和數(shù)據(jù)隱私保護／241
10.2.4　數(shù)據(jù)質(zhì)量／242
10.2.5　DataOps的4個特性／243
10.3　DataOps技術(shù)實踐／244
10.3.1　DataOps技術(shù)工具／245
10.3.2　數(shù)據(jù)管道技術(shù)示例／246
10.4　本章小結(jié)／253
第11章大數(shù)據(jù)測試的學習路線和發(fā)展趨勢／254
11.1　為什么學習大數(shù)據(jù)測試／254
11.2　如何學習大數(shù)據(jù)測試／255
11.2.1　大數(shù)據(jù)測試的學習路線／255
11.2.2　大數(shù)據(jù)測試的技能圖譜／259
11.3　大數(shù)據(jù)測試的發(fā)展趨勢／269
11.4　本章小結(jié)／270
附錄　大數(shù)據(jù)技術(shù)經(jīng)典面試題／271
參考文獻／276