大数据库

Name: 大数据库
ISBN: 9787121316197

刘鹏电子工业出版社 · 中国2021年1月

3.1

字数: 14万字
章节数: 188
ISBN: 9787121316197

信息有误查询本书

内容简介

本书详细介绍大数据环境下的常用的数据库和相关工具，包括HBase、Hive、Impala、Spark、Spark SQL、键值数据库和流式数据库等，给出了详细的工作机理和应用方法，并给出完整的实践案例和代码。

编辑推荐

《大数据库》作为一本聚焦大数据存储与处理核心技术的专业著作，其价值在当下数据驱动时代尤为凸显。本书并非停留在概念层面，而是深入剖析了分布式文件系统、NoSQL数据库、NewSQL数据库等关键技术体系，特别是对Hadoop、HBase、MongoDB、Redis等主流系统的架构原理与实践应用进行了系统阐述。作者刘鹏教授作为中国云计算与大数据领域的知名学者与先行者，其论述兼具学术严谨性与工程实践视角，确保了内容的深度与前沿性。

从编辑的专业判断来看，本书的突出优势在于其清晰的层次结构和技术演进的脉络梳理。它将庞杂的大数据存储技术领域，按照从传统关系型数据库的局限、到分布式文件系统的兴起、再到各类NoSQL数据库的细分与NewSQL的融合创新这一主线进行组织，使读者能够建立起系统的知识图谱。书中对CAP定理、一致性模型、数据分片、复制策略等核心理论的讲解，为理解各种技术选型背后的权衡提供了坚实的理论基础。

对于阅读价值，本书非常适合作为计算机相关专业高年级本科生、研究生的教材，或大数据领域工程师、架构师深化底层理解的参考书。它帮助读者穿透各种流行技术框架的表象，理解其设计哲学与适用场景，从而在实际工作中做出更合理的技术决策。尽管部分具体技术的版本可能随时间迭代，但书中阐述的核心原理与设计思想具有持久的参考意义。

适合谁读

适合

计算机科学、软件工程等相关专业的高年级本科生与研究生，希望系统学习大数据存储技术体系
从事大数据平台开发、运维或架构设计的中高级工程师，需要深化对底层原理的理解
技术团队负责人或架构师，寻求为项目选择合适的数据存储方案提供理论依据
对分布式系统、数据库原理有浓厚兴趣，希望超越单一技术框架进行系统性学习的爱好者

不适合

没有任何编程或数据库基础的纯初学者，本书需要一定的计算机基础知识
仅希望快速了解大数据概念或应用场景，而不愿深入技术细节的商务或管理人员

阅读建议

建议按章节顺序阅读，前三章关于大数据挑战与分布式基础的理论部分尤为重要，是理解后续内容的基石
阅读时结合书中提到的开源系统（如HBase、MongoDB）的官方文档或实践环境进行操作验证，加深理解
可将本书与作者刘鹏教授的另一著作《云计算》配套阅读，从存储与计算两个维度构建完整的大数据知识体系

出版社简介

电子工业出版社中国 · 成立于 1982 年

电子工业出版社是一家以电子信息及相关领域为出版特色的综合性出版社。从库内三千余种图书来看，其出版方向覆盖编程设计、人工智能、计算机综合、财经、摄影与社科等门类，既关注技术前沿，也兼顾大众阅读。代表图书包括《因子投资：方法与实践》《x86汇编语言：从实模式到保护模式》《RISC-V开放架构设计之道》《人工智能：语音识别理解与实践》《相控阵雷达技术》《雷达目标特性》及《100个Go语言典型错误》等，多围绕技术方法与工程实践展开。作者资源方面，有石川、李忠、王晓波、大卫·帕特森、安德鲁·沃特曼、余子濠等中外作者。受公开资料所限，暂不展开更多出版特色。

版权信息
内容简介
编写组
总序
前言
第1章大数据库概述
1.1 传统关系型数据库面临的问题
1.2 大数据库技术
1.2.1 列式数据库
1.2.2 内存数据库
1.2.3 键值数据库
1.2.4 流式数据库
1.3 大数据SQL
1.4 当前主流大数据SQL简介
1.4.1 Hive
1.4.2 Impala
1.4.3 Shark
1.4.4 Spark SQL
1.5 本章总结
习题
参考文献
第2章分布式数据库HBase
2.1 HBase基础
2.1.1 体系架构
2.1.2 数据模型
2.2 HBase操作简介
2.2.1 HBase接口简介
2.2.2 HBase Shell实战
2.2.3 HBase API
2.3 HBase实战
2.3.1 实战HBase之综例
2.3.2 实战HBase之使用MapReduce构建索引
习题
参考文献
第3章数据仓库工具Hive
3.1 Hive简介
3.1.1 工作原理
3.1.2 体系架构
3.1.3 计算模型
3.1.4 Hive部署模式
3.2 Hive的使用
3.2.1 Hive的数据类型
3.2.2 Hive接口汇总
3.3 实战Hive Shell
3.3.1 DDL操作
3.3.2 DML操作
3.3.3 SQL操作
3.4 实战Hive之复杂语句
3.5 实战Hive之综合示例
3.6 实战Hive API接口
3.6.1 UDF编程示例
3.6.2 UDAF编程示例
习题
参考文献
第4章大数据查询系统Impala
4.1 Impala简介
4.1.1 Impala的起源
4.1.2 Impala的特点
4.1.3 Impala 前辈及竞争对手
4.2 Impala工作原理
4.2.1 Impala 设计目标
4.2.2 Impala 服务器组件
4.2.3 Impala 编程特点
4.2.4 Impala在Hadoop生态圈中的生存之道
4.3 Impala环境搭建
4.3.1 Impala 安装前的考虑
4.3.2 Impala 安装途径与安装示范
4.4 Impala操作实例
4.4.1 Impala 基本操作
4.4.2 Impala 数据库操作
习题
参考文献
第5章内存数据库Spark
5.1 Spark简介
5.1.1 Spark的引入
5.1.2 Spark生态系统BDAS
5.1.3 Spark系统架构
5.1.4 Spark工作流程
5.1.5 Spark应用案例
5.2 Spark计算模型
5.2.1 Spark程序模型
5.2.2 弹性分布式数据集（RDD）
5.2.3 Spark算子
5.3 Spark工作机制
5.3.1 Spark运行机制
5.3.2 Spark调度机制
5.3.3 Spark I/O机制
5.3.4 Spark通信机制
5.3.5 Spark容错机制
5.3.6 Spark Shuffle机制
5.4 Scala快速入门
5.4.1 Scala解释器
5.4.2 变量
5.4.3 函数
5.4.4 编写Scala脚本
5.4.5 while 配合if实现循环
5.4.6 foreach和 for 来实现迭代
5.4.7 类型参数化数组
5.4.8 Lists
5.4.9 使用元组（Tuples）
5.4.10 Sets和Maps
5.4.11 函数编程风格
5.4.12 读取文件
5.5 Spark环境部署
5.5.1 安装与配置Spark
5.5.2 Intellij IDEA构建Spark开发环境
5.5.3 SBT构建Spark程序
5.5.4 编译Spark程序
5.5.5 远程调试Spark程序
5.5.6 生成Spark部署包
5.6 Spark 编程案例
5.6.1 WordCount
5.6.2 Top K
5.6.3 倒排索引
习题
参考文献
第6章 Spark SQL
6.1 Spark SQL简介
6.1.1 Spark SQL发展历程
6.1.2 Spark SQL 架构
6.2 Spark SQL编程基础
6.2.1 数据类型及表达式
6.2.2 Spark SQL查询引擎Catalyst
6.2.3 SQL DSL API
6.2.4 Spark SQL ThriftServer和CLI
6.2.5 Spark SQL常用操作
6.3 Spark SQL实战
6.3.1 Spark SQL开发环境搭建
6.3.2 Spark SQL使用入门
习题
参考文献
第7章键值数据库
7.1 概述
7.1.1 键值存储
7.1.2 键值数据库
7.2 Redis
7.2.1 简介
7.2.2 Redis数据服务及集群技术
7.2.3 Redis安装
7.2.4 Redis数据操作
7.2.5 案例：网站访问历史记录查询
7.3 Memcached
7.3.1 简介
7.3.2 Memcached缓存技术
7.3.3 Memcached安装
7.3.4 Memcached数据操作
7.3.5 Memcached分布式技术
7.3.6 案例：论坛帖子信息缓存
7.4 典型应用及局限
7.4.1 典型应用
7.4.2 键值数据库局限
习题
参考文献
第8章流式数据库
8.1 流式计算模型
8.1.1 流式计算概念
8.1.2 流式计算数据特点
8.1.3 流式计算典型应用
8.1.4 典型流式计算平台
8.2 流式计算关键技术
8.2.1 计算拓扑
8.2.2 消息传递
8.2.3 高可用性
8.2.4 语义保障
8.2.5 其他关键技术
8.3 Storm平台
8.3.1 Storm简介
8.3.2 Storm原理
8.3.3 Storm部署
8.3.4 案例：Maven环境下的Storm编程
8.4 Spark Streaming平台
8.4.1 Spark Streaming简介
8.4.2 Spark Streaming原理
8.4.3 案例：集群环境下的Spark Streaming编程
习题
参考文献
第9章大数据应用托管平台Docker
9.1 Docker技术简介
9.1.1 Docker是什么
9.1.2 Docker的架构和流程
9.2 Docker的优势和局限
9.2.1 Docker的优势
9.2.2 Docker的局限性
9.3 基于Docker的大数据系统设计
9.3.1 分布式Docker网络环境的搭建
9.3.2 Docker集群管理系统：Kubernetes
习题
参考文献

常见问题

这本书与单纯的Hadoop或Spark教程有什么区别？

本书聚焦于大数据生态中的“存储”层，系统讲解各类数据库与文件系统的原理，是更深层的基础。而许多教程侧重于特定框架（如Spark）的“计算”与应用开发。本书旨在让你理解数据如何存、如何组织，这是高效使用计算框架的前提。

书中的技术现在是否已经过时？

书中涉及的具体产品版本会更新，但其阐述的核心原理（如CAP定理、一致性模型、分布式事务、LSM树、Raft协议等）是持久不变的。理解这些原理能让你快速掌握任何新技术变体。本书的价值正在于传授这些底层逻辑。

数学或理论推导多吗？是否很难读？

本书侧重于工程架构与系统设计原理，并非纯理论推导。它包含必要的公式和模型说明，但整体文风偏向技术阐述而非数学证明。只要具备基本的计算机系统和数据结构知识，阅读障碍不大。关键是对分布式系统概念有一定的接受度。

读者评论

查询本书

本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。

作者简介

刘鹏作者 · 中国 · 1970

刘鹏（1970年生），中国计算机科学家，清华大学计算机系统结构专业博士，曾任解放军理工大学教授、博士生导师，现任南京云创大数据科技股份有限公司董事长。他长期从事云计算、大数据与人工智能的研究与教学，库内收录其作品十四种，涵盖科学科普、人工智能、计算机综合、医学、文学鉴赏、农林牧业等分类。其写作横跨专业教材与大众通识，既有《云计算（典藏版）》《机器学习与深度学习》《模式识别》《人工智能数学基础》等计算机与人工智能著作，也有《黄帝内经通识》这类面向普通读者的传统医学读物，以及《水运工程装配式结构应用技术与实践》等工程实践类书籍。公开资料有限，其生平等细节以库内记录为准。