大数据挑战与NoSQL数据库技术

作者简介

本书共分为三部分。理论篇重点介绍大数据时代下数据处理的基本理论及相关处理技术，并引入NoSQL数据库；系统篇主要介绍了各种类型NoSQL数据库的基本知识；应用篇对国内外几家知名公司在利用NoSQL数据库处理海量数据方面的实践做了阐述。

本书对大数据时代面临的挑战，以及NoSQL数据库的基本知识做了清晰的阐述，有助于读者整理思路，了解需求，并更有针对性、有选择地深入学习相关知识。

书籍目录

第1章  概论
1

1.1  引子
2

1.2  大数据挑战
3

1.3  大数据的存储和管理
5

1.3.1  并行数据库
5

1.3.2  NoSQL数据管理系统
6

1.3.3  NewSQL数据管理系统
8

1.3.4  云数据管理
11

1.4  大数据的处理和分析
11

1.5  小结
13

参考文献
13

理 论 篇

第2章  数据一致性理论
16

2.1  CAP理论
17

2.2  数据一致性模型
21

2.3  ACID与BASE
22

2.4  数据一致性实现技术
23

2.4.1  Quorum系统NRW策略
23

2.4.2  两阶段提交协议
24

2.4.3  时间戳策略
27

2.4.4  Paxos
30

2.4.5  向量时钟
38

2.5  小结
43

参考文献
43

第3章  数据存储模型
45

3.1  总论
46

3.2  键值存储
48

3.2.1  Redis
49

3.2.2  Dynamo
49

3.3  列式存储
50

3.3.1  Bigtable
51

3.3.2  Cassandra与HBase
51

3.4  文档存储
52

3.4.1  MongoDB
53

3.4.2  CouchDB
53

3.5  图形存储
54

3.5.1  Neo4j
55

3.5.2  GraphDB
55

3.6  本章小结
56

参考文献
56

第4章  数据分区与放置策略
58

4.1  分区的意义
59

4.1.1  为什么要分区
59

4.1.2  分区的优点
60

4.2  范围分区
61

4.3  列表分区
62

4.4  哈希分区
63

4.5  三种分区的比较
64

4.6  放置策略
64

4.6.1  一致性哈希算法
65

4.6.2  容错性与可扩展性分析
66

4.6.3  虚拟节点
68

4.7  小结
69

参考文献
69

第5章  海量数据处理方法
70

5.1  MapReduce简介
71

5.2  MapReduce数据流
72

5.3  MapReduce数据处理
75

5.3.1  提交作业
76

5.3.2  初始化作业
78

5.3.3  分配任务
78

5.3.4  执行任务
79

5.3.5  更新任务执行进度和状态
80

5.3.6  完成作业
81

5.4  Dryad简介
81

5.4.1  DFS Cosmos介绍
82

5.4.2  Dryad执行引擎
84

5.4.3  DryadLINQ解释引擎
86

5.4.4  DryadLINQ编程
88

5.5  Dryad数据处理步骤
90

5.6  MapReduce vs Dryad
92

5.7  小结
94

参考文献
95

第6章  数据复制与容错技术
96

6.1  海量数据复制的作用和代价
97

6.2  海量数据复制的策略
97

6.2.1  Dynamo的数据库复制策略
97

6.2.2  CouchDB的复制策略
99

6.2.3  PNUTS的复制策略
99

6.3  海量数据的故障发现与处理
101

6.3.1  Dynamo的数据库的故障发现与处理
101

6.3.2  CouchDB的故障发现与处理
103

6.3.3  PNUTS的故障发现与处理
103

6.4  小结
104

参考文献
104

第7章  数据压缩技术
105

7.1  数据压缩原理
106

7.1.1  数据压缩的定义
106

7.1.2  数据为什么可以压缩
107

7.1.3  数据压缩分类
107

7.2  传统压缩技术[1]
108

7.2.1  霍夫曼编码
108

7.2.2  LZ77算法
109

7.3  海量数据带来的3V挑战
112

7.4  Oracle混合列压缩
113

7.4.1  仓库压缩
114

7.4.2  存档压缩
114

7.5  Google数据压缩技术
115

7.5.1  寻找长的重复串
115

7.5.2  压缩算法
116

7.6  Hadoop压缩技术
118

7.6.1  LZO简介
118

7.6.2  LZO原理[5]
119

7.7  小结
121

参考文献
121

第8章  缓存技术
122

8.1  分布式缓存简介
123

8.1.1  分布式缓存的产生
123

8.1.2  分布式缓存的应用
123

8.1.3  分布式缓存的性能
124

8.1.4  衡量可用性的标准
125

8.2  分布式缓存的内部机制
125

8.2.1  生命期机制
126

8.2.2  一致性机制
126

8.2.3  直读与直写机制
129

8.2.4  查询机制
130

8.2.5  事件触发机制
130

8.3  分布式缓存的拓扑结构
130

8.3.1  复制式拓扑
131

8.3.2  分割式拓扑
131

8.3.3  客户端缓存拓扑
131

8.4  小结
132

参考文献
132

系 统 篇

第9章  key-value数据库
134

9.1  key-value模型综述
134

9.2  Redis
135

9.2.1  Redis概述
135

9.2.2  Redis下载与安装
135

9.2.3  Redis入门操作
136

9.2.4  Redis在业内的应用
143

9.3  Voldemort
143

9.3.1  Voldemort概述
143

9.3.2  Voldemort下载与安装
144

9.3.3  Voldemort配置
145

9.3.4  Voldemort开发介绍[3]
147

9.4  小结
149

参考文献
149

第10章  Column-Oriented数据库
150

10.1  Column-Oriented数据库简介
151

10.2  Bigtable数据库
151

10.2.1  Bigtable数据库简介
151

10.2.2  Bigtable数据模型
152

10.2.3  Bigtable基础架构
154

10.3  Hypertable数据库
157

10.3.1  Hypertable简介
157

10.3.2  Hypertable安装
157

10.3.3  Hypertable架构
163

10.3.4  基本概念和原理
164

10.3.5  Hypertable的查询
168

10.4  Cassandra数据库
175

10.4.1  Cassandra简介
175

10.4.2  Cassandra配置
175

10.4.3  Cassandra数据库的连接
177

10.4.4  Cassandra集群机制
180

10.4.5  Cassandra的读/写机制
182

10.5  小结
183

参考文献
183

第11章  文档数据库
185

11.1  文档数据库简介
186

11.2  CouchDB数据库
186

11.2.1  CouchDB简介
186

11.2.2  CouchDB安装
188

11.2.3  CouchDB入门
189

11.2.4  CouchDB查询
200

11.2.5  CouchDB的存储结构
207

11.2.6  SQL和CouchDB
209

11.2.7  分布式环境中的CouchDB
210

11.3  MongoDB数据库
211

11.3.1  MongoDB简介
211

11.3.2  MongoDB的安装
212

11.3.3  MongoDB入门
215

11.3.4  MongoDB索引
224

11.3.5  SQL与MongoDB
226

11.3.6  MapReduce与MongoDB
229

11.3.7  MongoDB与CouchDB对比
234

11.4  小结
236

参考文献
237

第12章  图存数据库
238

12.1  图存数据库的由来及基本概念
239

12.1.1  图存数据库的由来
239

12.1.2  图存数据库的基本概念
239

12.2  Neo4j图存数据库
240

12.2.1  Neo4j简介
240

12.2.2  Neo4j使用教程
241

12.2.3  分布式Neo4j——Neo4j HA
251

12.2.4  Neo4j工作机制及优缺点浅析
256

12.3  GraphDB
258

12.3.1  GraphDB简介
258

12.3.2  GraphDB的整体架构
260

12.3.3  GraphDB的数据模型
264

12.3.4  GraphDB的安装
266

12.3.5  GraphDB的使用
268

12.4  OrientDB
276

12.4.1  背景
276

12.4.2  OrientDB是什么
276

12.4.3  OrientDB的原理及相关技术
277

12.4.4  Windows下OrientDB的安装与使用
282

12.4.5  相关Web应用
286

12.5  三种图存数据库的比较
288

12.5.1  特征矩阵
288

12.5.2  分布式模式及应用比较
289

12.6  小结
289

参考文献
290

第13章  基于Hadoop的数据管理系统
291

13.1  Hadoop简介
292

13.2  HBase
293

13.2.1  HBase体系结构
293

13.2.2  HBase数据模型
297

13.2.3  HBase的安装和使用
298

13.2.4  HBase与RDBMS
303

13.3  Pig
304

13.3.1  Pigr的安装和使用
304

13.3.2  Pig Latin语言
306

13.3.3  Pig实例
311

13.4  Hive
315

13.4.1  Hive的数据存储
316

13.4.2  Hive的元数据存储
316

13.4.3  安装Hive
317

13.4.4  HiveQL简介
318

13.4.5  Hive的网络接口（WebUI）
328

13.4.6  Hive的JDBC接口
328

13.5  小结
330

参考文献
331

第14章  NewSQL数据库
332

14.1  NewSQL数据库简介
333

14.2  MySQL Cluster
333

14.2.1  概述
334

14.2.2  MySQL Cluster的层次结构
336

14.2.3  MySQL Cluster的优势和应用
337

14.2.4  海量数据处理中的sharding技术
339

14.2.5  单机环境下MySQL Cluster的安装
343

14.2.6  MySQL Cluster的分布式安装与配置指导
348

14.3  VoltDB
350

14.3.1  传统关系数据库与VoltDB
351

14.3.2  VoltDB的安装与配置
351

14.3.3  VoltDB组件
354

14.3.4  Hello World
355

14.3.5  使用Generate脚本
361

14.3.6  Eclipse集成开发
362

14.4  小结
365

参考文献
365

第15章  分布式缓存系统
366

15.1  Memcached缓存技术
367

15.1.1  背景介绍
367

15.1.2  Memcached缓存技术的特点
368

15.1.3  Memcached安装[3]
374

15.1.4  Memcached中的数据操作
375

15.1.5  Memcached的使用
376

15.2  Microsoft Velocity分布式缓存系统
378

15.2.1  Microsoft Velocity简介
378

15.2.2  数据分类
379

15.2.3  Velocity核心概念
380

15.2.4  Velocity安装
382

15.2.5  一个简单的Velocity客户端应用
385

15.2.6  扩展型和可用性
387

15.3  小结
388

参考文献
388

应 用 篇

第16章  企业应用
392

16.1  Instagram
393

16.1.1  Instagram如何应对数据的急剧增长
395

16.1.2  Instagram的数据分片策略
398

16.2  Facebook对Hadoop以及HBase的应用
400

16.2.1  工作负载类型
401

16.2.2  为什么采用Apache Hadoop和HBase
403

16.2.3  实时HDFS
405

16.2.4  Hadoop HBase的实现
409

16.3  淘宝大数据解决之道
411

16.3.1  淘宝数据分析
412

16.3.2  淘宝大数据挑战
413

16.3.3  淘宝OceanBase数据库
414

16.3.4  淘宝将来的工作
422

16.4  小结
423

参考文献
423

编辑推荐

《大数据挑战与NoSQL数据库技术》从理论、系统、应用三个方面详细讲述了大数据的技术知识，并针对NoSQL数据库技术做了深入的分享，是学习大数据技术的地图、指南手册。帮助读者跳出迷局，厘清思路，系统地做好相关知识储备，拥抱大数据时代！

前言

为什么写本书计算机技术已经深刻地影响了我们的工作、学习和生活。大数据及NoSQL技术是当下IT领域最炙手可热的话题，其发展非常迅速，潜力巨大，悄然改变着整个行业的面貌。随着Web 2.0技术的发展，微博、社交网络、电子商务、生物工程等领域的不断发展，各领域数据呈现爆炸式的增长，传统关系型数据库越来越显得力不从心。NoSQL数据库技术的出现为眼下的问题提供了新的解决方案，它摒弃了传统关系型数据库ACID的特性，采用分布式多节点的方式，更加适合大数据的存储和管理。政府和高校都十分重视对大数据及NoSQL技术的研究和投入；在产业界，各大IT公司也在投入大量的资源研究和开发相关的NoSQL产品，与之相应的新兴技术和产品正在不断涌现。这一切都极大地推动了NoSQL技术的发展。大数据处理和NoSQL技术涉及的内容繁多，目前不同公司也有不同的NoSQL数据库产品，而且某一产品往往是为特定的应用而设计的，并不一定能够适用于所有的场景。很多人在学习的初始阶段需要进行大量的摸索和实践，然而目前这方面系统的参考资料却非常少。为了便于所有想了解和掌握NoSQL技术的朋友学习并在学习的过程中少走弯路，笔者将自己在该领域的经验和积累凝聚成了这本书，希望能够推动大数据处理及NoSQL相关技术在国内的发展。本书面向的读者在编写本书时，我们力图使不同背景和职业的读者都能从其中获益。如果你是专业技术人员，本书将带领你快速度进入大数据处理及NoSQL的世界，全面掌握NoSQL及其相关技术，能帮助你使用NoSQL技术解决当前面临的问题或提供必要的参考。如果你是高等院校计算机及相关专业的学生，本书为你在课堂之外了解最新的IT打开一扇窗户，能帮助你拓宽视野，完善知识结构，为迎接未来的挑战做好知识准备。在学习本书之前，应具有如下的基础：有一定的Linux操作系统的基础知识。有较好的编程基础和阅读代码的能力。对数据库知识有一定的了解。如何阅读本书本书一共包括16章，分为三个部分。其中第一部分为理论篇，包括：大数据产生的背景，数据一致性理论、数据存储模型、数据分区与防治策略、海量数据处理方法、数据复制与容错技术、数据压缩技术和数据缓存技术。此部分重点从理论上介绍、分析大数据管理过程中遇到的各方面问题。第二部分为系统篇，包括：键值数据库、列存数据库、文档数据库、图存数据库、基于Hadoop的数据库管理系统、NoSQL数据库以及分布式缓存系统。该部分以理论篇为基础，根据数据存储模型对数据库类型进行划分，每一部分以具体开源数据库为实例进行介绍，涉及系统的架构、安装以及使用等方面，力图使读者对NoSQL数据库有具体的认识。第三部分为应用篇，包括企业应用以及总结和展望。该部分介绍企业如何使用NoSQL数据库解决自身遇到的问题。在阅读本书时，读者可以先系统地学习理论篇的知识，目的是对海量数据处理方法有一个很好的理解，在此基础之上，读者可以对后面的章节进行选择性的学习。本书涉及内容较多，从开源数据库方面讲，包括了Dynamo、Redis、Voldemort、Cassandra、Hypertable、CouchDB、MongoDB、Neo4j、GraphDB、OrientDB、HBase、Hive、Pig、MySQL Cluster、VolteDB、MS-Velocity、Memcached等将近20个数据库。因此，建议读者可以重点学习感兴趣或有一定需求的数据库系统。当然，如果时间允许，还是建议读者系统地学习本书的内容。另外，在系统篇的学习过程中，建议读者能够一边阅读，一边根据书中的指导动手实践，亲自实践本书中所给出的编程范例。致谢在本书的编写过程中，还有很多NoSQL领域的实践者和研究者为本书做了大量的工作，他们是张林林、许翔、程明、王海涌、顾向楠、吴少辉、杨宁、杨华、吴梦迪、任乔意、於洋、张轩等，在此特别感谢。在线资源及勘误本书官方网站为：http://datasearch.ruc.edu.cn/NoSQL/。本书的勘误、讨论以及相关资料等都会在该网站上发布和更新。在本书的撰写和相关技术的研究中，尽管笔者投入了大量的精力，付出了艰辛的努力，然而受知识水平所限，错误和疏漏之处在所难免，恳请大家批评指正。如果有任何问题和建议，可发送邮件至jiahenglu@gmail.com或jiahenglu@ruc.edu.cn。陆嘉恒

内容概要

陆嘉恒，中国人民大学教授，博士生导师。2006年毕业于新加坡国立大学计算机科学系，获博士学位；2006-2008年在美国加利福尼亚大学尔湾分校(University of California, Irvine)进行博士后研究；2008年加入中国人民大学，2012年破格晋升为教授。主要研究领域包括数据库技术和云计算技术。先后在SIGMOD、VLDB、ICDE、WWW等国际重要会议和期刊上发表数据库方向的论文40多篇，主编多本云计算和大数据的教材和著作。

章节摘录

版权页：   插图：   1.2大数据挑战 什么是大数据？多大的数据量可以称为大数据？不同的年代有不同的答案[2]。20世纪80年代早期，大数据指的是数据量大到需要存储在数千万个磁带中的数据；20世纪90年代，大数据指的是数据量超过单个台式机存储能力的数据；如今，大数据指的是那些关系型数据库难以存储、单机数据分析统计工具无法处理的数据，这些数据需要存放在拥有数千万台机器的大规模并行系统上。大数据出现在日常生活和科学研究的各个领域，数据的持续增长使人们不得不重新考虑数据的存储和管理。 随着社会计算的兴起，人们习惯于在网上分享和交流信息。比如，社交网站Facebook拥有庞大的用户群，而且在不断增长。这些用户每天发出的日志以及分享的资料更是不计其数，其数据量已经达到PB级别，传统的解决方案已经不能很好地处理这些数据。Facebook自己开发了Cassandra系统，现在又采用HBase，这些针对海量数据的管理系统能够较好地为用户提供服务，而且具有可扩展性和容错性，这是解决大数据问题所需要的性能。微博服务商Twitter也面临大数据的挑战，消息的发送量达到每天数亿条，而查询量则达到每天数十亿次，这要求存储管理系统不仅能够存储大规模数据，而且能够提供高吞吐的读／写服务。Twitter原先使用MySQL数据库，之后由于用户暴增便将数据迁移到NoSQL系统上，尽管NoSQL系统还未成熟，但却是解决海量数据的较为有效的方案。其他的互联网公司同样面临着大数据带来的问题，如Goolge搜索引擎需要处理大规模的网页信息，YouTube则需要存储和提供用户分享的视频数据，维基百科提交用户分享的知识等，这些都涉及大规模数据信息存储与管理。 随着电子商务的发展，越来越多的人在网上选购商品，商务网站需要存储大量的商品信息和用户的交易信息，涉及大规模的数据。同时网站需要提供迅速的请求响应，以提高用户体验来吸引客户。而且网站还要对这些海量数据进行处理和分析，以便更有针对性地向用户推荐商品，海量数据成为系统构建和业务成败的关键因素。中国商业网站淘宝使用HBase来存储数据，同时不断探索自己的解决之路，开发了支持大数据的数据库系统OceanBase来实现部分在线应用。全球最大的线上拍卖和购物网站eBay也积极寻求海量数据的解决方案，其基于Hadoop建立了自己的集群系统Athena来处理大规模数据，同时开发了自己的开源云平台项目Turmeric来更好地开发和管理各种服务。同时，各大零售公司无论是在线销售还是实体销售，都会注意收集客户的消费信息以便有针对性地提供服务或推荐商品，这些都涉及大规模数据的应用。

---

 大数据挑战与NoSQL数据库技术下载 更多精彩书评

---