Hadoop与Spark大数据开发与案例分析

模块一Hadoop在云计算技术的作用和地位
■传统大规模系统存在的问题
■Hadoop概述
■Hadoop分布式文件系统
■MapReduce工作原理
■Hadoop集群剖析
■Hadoop生态系统对一种新的解决方案的需求
■Hadoop的行业应用案例分析
■Hadoop在云计算和大数据的位置和关系
■数据开放,数据云服务平台(DAAS)时代
■Hadoop平台在数据云平台(DAAS)上的天然优势
■数据云平台(DAAS 平台)组成部分
■互联网公共数据大云(DAAS)案例
■Hadoop构建构建游戏云(Web Game Daas)平台
模块二Hadoop生态系统介绍和演示
■Hadoop HDFS 和 MapReduce
■Hadoop数据库之HBase
■Hadoop数据仓库之Hive
■Hadoop数据处理脚本Pig
■Hadoop数据接口Sqoop和Flume，Scribe DataX
■Hadoop工作流引擎 Oozie
■运用Hadoop自下而上构建大规模企业数据仓库
■暴风影音数据仓库实战解析
模块三Hadoop组件详解
■Hadoop HDFS 基本结构
■Hadoop HDFS 副本存放策略
■Hadoop NameNode 详解
■HadoopSecondaryNameNode 详解
■Hadoop DataNode 详解
■Hadoop JobTracker 详解
■Hadoop TaskTracker 详解
■Hadoop Mapper类核心代码
■Hadoop Reduce类核心代码
■Hadoop 核心代码
模块四Hadoop安装和部署
■Hadoop系统模块组件概述
■Hadoop试验集群的部署结构
■Hadoop 安装依赖关系
■Hadoop 生产环境的部署结构
■Hadoop集群部署
■Hadoop 高可用配置方法
■Hadoop 集群简单测试方法
■Hadoop 集群异常Debug方法
■Hadoop安装部署实验
■Red hat Linux基础环境搭建
■Hadoop 单机系统版本安装配置
■Hadoop 集群系统版本安装和启动配置
■使用 Hadoop MapReduce Streaming 快速测试系统
■Hadoopcore-site，hdfs-site，mapred-site 配置详解
模块五Hadoop集群规划
■Hadoop 集群内存要求
■Hadoop集群磁盘分区
■集群和网络拓扑要求
■集群软件的端口配置
■针对NameNode Jobtracker DataNode TaskTracker Hiveserver 等不同组件需求推荐服务器配置
模块六MapReduce 算法原理
■Hadoop MapReduce 算法的原理和优化思想
■灵活运用MapReduce 实现算法
■运用MapReduce 构建数据库算法
■Select Sort GrougBy Sum Count
■Join 新进流失算法
■使用 Y-Smart 快速转换SQL 为MapReduce 代码
模块七编写MapReduce高级程序
■使用 Hadoop MapReduce Streaming 编程
■MapReduce流程
■剖析一个MapReduce程序
■基本MapReduceAPI概念
■驱动代码 Mapper、Reducer
■Hadoop流
■API 使用Eclipse进行快速开发
■新MapReduce API
■MapReduce的优化
■MapReduce的任务调度
■MapReduce编程实战
■如何利用其他Hadoop相关技术，包括Apache Hive， Apache Pig，Sqoop和Oozie等
■满足解决实际数据分析问题的高级Hadoop API
■Hadoop Streaming 和 Java MapReduce Api 差异。
■MapReduce 实现数据库功能
■利用Combiners来减少中间数据
■编写Partitioner来优化负载平衡
■直接访问Hadoop分布式文件系统（HDFS）
■Hadoop的join操作
■辅助排序在Reducer方的合并
■定制Writables和WritableComparables
■使用SequenceFiles和Avro文件保存二进制数据
■创建InputFormats OutputFormats
■Hadoop的二次排序
■Hadoop的海量日志分析
■在Map方的合并
模块八集成Hadoop到现有工作流
及Hadoop API深入探讨
■存储系统
■利用Sqoop从关系型数据库系统中导入数据到Hadoop
■利用Flume导入实时数据到Hadoop
■ToolRunner介绍、使用MRUnit进行测试
■使用Configure和Close方法来进行Map/Reduce设置和关闭
■使用FuseDFS和Hadoop访问HDFS
■使用分布式缓存（Distributed Cache）
■直接访问Hadoop分布式文件系统（HDFS）
■利用Combiners来减少中间数据
■编写Partitioner来优化负载平衡
模块九使用Hive和Pig开发及技巧
■Hive和Pig基础
■Hive的作用和原理说明
■Hadoop仓库和传统数据仓库的协作关系
■Hadoop/Hive仓库数据数据流
■Hive 部署和安装
■Hive Cli 的基本用法
■HQL基本语法
■运用Pig 过滤用户数据
■使用JDBC 连接Hive进行查询和分析
■使用正则表达式加载数据
■HQL高级语法
■编写UDF函数
■编写UDAF自定义函数
■基于Hive脚本内嵌Streaming 编程
模块十Hbase安装和使用
■Hbase 安装部署
■Hbase原理和结构

■Hbase 运维和管理
■使用Hbase+Hive 提供 OLAP SQL查询能力
■使用Hbase+Phoenix提供 OLTP SQL能力
■基于Hbase 的时间序列数据库 OpenTsDb 结构解析
模块十一Hadoop2.0 集群探索
■Hadoop2.0 HDFS 原理
■Hadoop2.0 Yarn 原理
■Hadoop2.0 生态系统
■基于Hadoop2.0 构建分布式系统
模块十二Hadoop企业级别案例解析
■Hadoop 结构化数据案例
■Hadoop 非结构化案例
■Hbase 数据库案例
■Hadoop 视频分析案例
■利用大数据分析改进交通管理
■区域医疗大数据应用案例
■银联大数据数据票据详单平台
■广东移动省公司请账单系统
■上海电信网络优化
■某通信运营商全国用户上网记录
■浙江台州市智能交通系统
■移动广州详单实时查询系统

模块一Spark
生态介绍
■Mapreduce、storm和spark模型的比较和使用场景介绍
■Spark产生背景
■Spark（内存计算框架）
■SparkSteaming（流式计算框架）
■Spark SQL（ad-hoc）
■Mllib（MachineLearning）
■GraphX（bagel将被代）
■DlinkDB介绍
■SparkR介绍
模块二Spark
安装部署
■Spark安装简介
■Spark的源码编译
■Spark Standalone安装
■Spark应用程序部署工具spark-submit
■Spark的高可用性部署
模块三Spark
运行架构和解析
■Spark的运行架构
■基本术语
■运行架构
■Spark on Standalone运行过程
■Spark on YARN 运行过程
■Spark运行实例解析
■Spark on Standalone实例解析
■Spark on YARN实例解析
■比较 Standalone与YARN模式下的优缺点
模块四Spark
scala编程
■Scala基本语法与高阶语法
■Scala基本语法
■Scala开发环境搭建
■Scala开发Spark应用程序
■使用java编程
■使用scala编程
■使用python编程
模块五Spark
编程模型和解析
■Spark的编程模型
■Spark编程模型解析
■RDD的特点、操作、依赖关系
■Spark应用程序的配置
■Spark的架构
■spark的容错机制
■数据的本地性
■缓存策略介绍
宽依赖与窄依赖
模块六Spark 数据挖掘
■Mllib的介绍
■graphX核心原理
■table operator和graph operator区别
■vertices、edges和triplets介绍
■构建一个graph
■SparkR原理
■SparkR实战
模块七Spark Streaming原理和实践
■Spark Streaming与Strom的区别
■Kafka的部署
■Kafka与Spark Streaming的整合
■Spark Streaming原理
■Spark流式处理架构
■DStream的特点
■Dstream的操作和RDD的区别
■带状态的transformation与无状态transformation
■Spark Streaming的优化
■Spark Streaming实例
■Streaming的容错机制
■streaming在yarn模式下的注意事项
对于需结合第三方存储机制的与流式处理方案
■文本实例
■网络数据处理
■Kafka+Spark Streaming实现日志的实时分析案例
模块八Spark的优化
■序列化优化Kryo
■Spark参数优化实战
■Spark 任务的均匀分布策略
■Partition key倾斜的解决方案
■Spark任务的监控
■GC的优化
■Spark Streaming吞吐量优化
■Spark RDD使用内存的优化策略
■Spark在使用中的感想分享
模块九Spark的数据源
■Spark与HDFS的整合
■HDFS RDD原理和实现
■Spark与Hbase的整合
■Spark与Cassendera整合
■Hbase RDD的分区读取
■Hbase RDD的原理和实现
■Spark parallelism RDD的工作机制
模块十Spark Streaming应用及案例分析
■Spark Streaming产生动机
■ Spark Streaming程序设计
（1）创建DStream
（2）基于DStream进行流式处理
■Spark Streaming容错与性能优化
（1）Spark Streaming容错机制
（2）如何对spark Streaming进行优化
■ Spark Streaming案例分析
基于Spark Streaming的用户标签系统，内容包括项目背景，项目架构以及实施方法
模块十一
典型项目
案例实战
■基于spark日志分析
■个性化推荐系统：带你揭开其神秘面纱
■在线投放引擎
■揭开淘宝点击推荐系统的神秘面纱
■淘宝数据服务架构实时计算平台

张老师,( )资深讲师。 阿里大数据高级专家，国内资深的Spark、Hadoop技术专家、虚拟化专家，对HDFS、MapReduce、HBase、Hive、Mahout、Storm、spark和openTSDB等Hadoop生态系统中的技术进行了多年的深入的研究，更主要的是这些技术在大量的实际项目中得到广泛的应用，因此在Hadoop开发和运维方面积累了丰富的项目实施经验。近年主要典型的项目有：某电信集团网络优化、中国移动某省移动公司请账单系统和某省移动详单实时查询系统、中国银联大数据数据票据详单平台、某大型银行大数据记录系统、某大型通信运营商全国用户上网记录、某省交通部门违章系统、某区域医疗大数据应用项目、互联网公共数据大云(DAAS)和构建游戏云(Web Game Daas)平台项目等。