大数据 技术与应用实践指南 第2版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

大数据 技术与应用实践指南 第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 大数据的概念和发展背景1

1.1 大数据的发展背景1

1.2 大数据的概念和特征4

1.2.1 大数据的概念4

1.2.2 大数据的特征4

1.3 大数据的产生5

1.3.1 数据产生由企业内部向企业外部扩展5

1.3.2 数据产生从Web 1.0向Web 2.0、从互联网向移动互联网扩展6

1.3.3 数据产生从计算机／互联网（IT）向物联网（IOT）扩展7

1.4 数据的量级7

1.4.1 数据大小的量级7

1.4.2 大数据的量级8

1.5 大量不同的数据类型8

1.5.1 按照数据结构分类9

1.5.2 按照产生主体分类12

1.5.3 按照数据作用方式分类13

1.6 大数据的速度14

1.7 大数据的应用价值14

1.8 大数据的挑战15

1.8.1 业务视角不同带来的挑战15

1.8.2 技术架构不同带来的挑战15

1.8.3 管理策略不同带来的挑战16

第2章 大数据应用的业务需求17

2.1 大数据应用的业务流程17

2.1.1 产生数据18

2.1.2 聚集数据18

2.1.3 分析数据19

2.1.4 利用数据19

2.2 大数据应用的业务价值19

2.2.1 发现大数据的潜在价值20

2.2.2 发现动态行为数据的价值20

2.2.3 实现大数据整合创新的价值20

2.3 各行业大数据应用的个性需求21

2.3.1 互联网与电子商务行业21

2.3.2 零售业26

2.3.3 金融业28

2.3.4 政府31

2.3.5 医疗业34

2.3.6 能源业35

2.3.7 制造业37

2.3.8 电信运营业38

2.3.9 交通业40

2.4 企业级大数据应用的共性需求42

2.4.1 客户分析42

2.4.2 绩效分析46

2.4.3 欺诈和风险评估47

2.5 以银行客户分析为例，分析一个大数据的应用场景48

第3章 大数据应用的总体架构和关键技术51

3.1 总体架构51

3.1.1 业务目标51

3.1.2 架构设计原则52

3.1.3 总体架构参考模型55

3.1.4 总体架构的特点58

3.2 大数据存储和处理技术59

3.2.1 Hadoop：分布式存储和计算平台59

3.2.2 HDFS：分布式文件系统65

3.2.3 MapReduce：分布式计算框架72

3.2.4 NoSQL：分布式数据库98

3.2.5 MPP：大规模并行处理系统113

3.2.6 Spark：轻量级的分布式内存计算系统117

3.2.7 S4和Storm：流计算框架126

3.2.8 大数据存储和处理技术的比较分析132

3.3 大数据查询和分析技术133

3.3.1 Hive：基本的Hadoop查询和分析134

3.3.2 Hive 2.0：Hive的优化和升级144

3.3.3 实时互动的SQL：Impala和drill147

3.3.4 基于PostgreSQL的SQLon Hadoop153

3.4 大数据高级分析和可视化技术154

3.4.1 传统数据仓库与联机分析处理技术154

3.4.2 大数据对传统分析的挑战157

3.4.3 大数据挖掘与高级分析157

3.4.4 大数据挖掘与高级分析库162

3.4.5 非结构化复杂数据分析163

3.4.6 实时预测分析170

3.4.7 开源可视化工具：R语言177

3.4.8 可视化技术185

3.5 以银行客户分析为例的大数据应用体系架构194

第4章 大数据与企业级应用的整合策略196

4.1 大数据传输、接入、整合和流程管理平台197

4.1.1 数据传输197

4.1.2 数据接入203

4.1.3 数据整合207

4.1.4 流程管理208

4.2 大数据与存储架构的整合212

4.2.1 传统存储架构比较212

4.2.2 大数据平台的存储架构的选择214

4.2.3 集群存储的发展214

4.2.4 基于HDFS的集群存储216

4.2.5 固态硬盘（SSD）对内存计算的支持218

4.2.6 软件定义存储（SDS）218

4.2.7 超融合架构（HCI）220

4.3 大数据与网络架构的发展220

4.3.1 统一的以太网结构222

4.3.2 软件定义网络（SDN）223

4.3.3 网络功能虚拟化（NFV）226

4.4 大数据与虚拟化技术的整合228

4.5 大数据与Docker技术230

4.5.1 Docker概述230

4.5.2 Docker原理与总体架构231

4.5.3 Docker 应用程序开发与管理237

4.6 大数据与云计算240

4.7 大数据安全242

4.8 以银行客户分析为例，分析一个大数据的平台整合244

第5章 大数据应用的实践方法与案例246

5.1 实践方法论246

5.1.1 业务需求定义247

5.1.2 数据应用现状分析与标杆比较248

5.1.3 大数据应用架构规划和设计249

5.1.4 大数据技术切入与实施250

5.1.5 大数据试用和评估251

5.1.6 大数据应用推广252

5.2 技术应用案例252

5.2.1 Amazon和Google252

5.2.2 Yahoo255

5.2.3 Amazon257

5.2.4 Facebook259

5.2.5 Twitter263

5.2.6 淘宝网264

5.3 以银行客户分析为例的实施案例分析266

5.3.1 银行基于大数据的客户分析的业务需求266

5.3.2 银行基于大数据的客户分析的现状与标杆比较267

5.3.3 银行基于大数据的客户分析的应用架构规划与设计269

5.3.4 银行基于大数据的数据分析的实施、试点和推广269

第6章 大数据应用的主流解决方案270

6.1 产业链270

6.1.1 国际大数据产业生态270

6.1.2 国内大数据产业生态273

6.2 主流厂商解决方案274

6.2.1 Cloundera275

6.2.2 Hortonworks276

6.2.3 MapR277

6.2.4 IBM278

6.2.5 Oracle280

6.2.6 EMC281

6.2.7 Intel282

6.2.8 SAP283

6.2.9 Teradata285

第7章 大数据应用的未来挑战和趋势286

7.1 隐私保护286

7.1.1 法律保护287

7.1.2 技术保护289

7.1.3 理念革新290

7.2 技术标准291

7.2.1 ISO大数据标准化进展291

7.2.2 大数据基准和基准测试293

7.2.3 大数据处理分析标准套件296

7.3 大数据治理296

7.3.1 数据治理框架297

7.3.2 数据质量管理298

7.3.3 大数据的组织、角色和责任299

7.4 适应商业社会的未来趋势300

7.4.1 从产品推销向数据营销的转变300

7.4.2 从流程驱动到分析驱动的转变300

7.4.3 从私有资源到公共服务的转变301