本书共分12章，分为基础篇、核心篇和应用篇。基础篇包括大数据概论、大数据集群系统基础、Hadoop分布式系统、HDFS分布式文件系统、MapReduce分布式计算、HBase分布式数据库应用；核心篇包括YARN资源分配、Spark集群计算、Spark机器学习、Hive数据仓库应用、ZooKeeper协调服务；应用篇包括医药大数据案例分析。本书可以作为高等院校大数据技术相关课程本科生教材，也可以作为大数据技术基础相关课程研究生教材，还可以作为从事大数据相关工作的工程技术人员的参考用书。

"1、个人简介
肖政宏，博士、教授，硕士生导师，广东技术师范大学计算机科学学院副院长（主管教学、实验室）。主要研究方向：大数据理论与技术
，智能信息处理、机器学习，以作者身份共计发表论文二十多篇，其中SCI\\EI检索8篇，中文核心8篇，近年来主持承担省部级科研课题
3项，其他厅级课题及横向课题5项，获得计算机软件著作权2项，申请发明5项。
学术兼职(或社会兼职)：广州市智能工程研究会常务理事、广东省科技厅咨询专家、广东省经济与社会化委员会专家、广东省软件工程教
学指导委员会委员、广东省计算机学会竞赛委员会常务委员。
2、教育背景
1982.9-1986.7南京理工大学,计算机软件专业，获学士学位；
1998.9-2001.2北京理工大学，计算机应用专业，获硕士学位；
2004.9-2005.7清华大学计算机科学与技术系人工智能国家重点实验室做访问学者。
2007.9-2012.12中南大学，计算机应用技术专业，获博士学位。
3、著译作品
(1) 曾文、肖政宏、盘茂杰、韩腊萍. 软件测试基础教程，清华大学出版社，2016.6
（2）陈智斌、梁鹏、肖政宏. Linux 综合实训案例教程，"

基础篇
章大数据概论
1.1大数据概述
1.1.1大数据的定义
1.1.2大数据的特征
1.2大数据的分析过程
1.2.1大数据的采集
1.2.2大数据的存储方式
1.2.3大数据分析技术
1.2.4大数据的展示及应用
1.3大数据的价值、挑战与风险
1.3.1商业价值
1.3.2社会生活价值
1.3.3大数据的挑战与风险
1.4大数据的应用
1.5大数据的处理流程
1.6大数据成为人工智能产业的燃料
1.7大数据技术的发展前景
小结
习题
第2章大数据集群系统基础
2.1大数据集群系统概述
2.1.1集群的分类
2.1.2集群的目的
2.2Linux操作系统
2.2.1Linux操作系统简介
2.2.2Linux操作系统的特性
2.2.3Linux安装与基础操作
2.2.4Linux常用命令
2.3虚拟化技术
2.3.1虚拟化技术简介
2.3.2虚拟技术的原理
2.3.3常见的虚拟化软件
2.3.4虚拟化技术的优势和劣势
2.4CentOS大数据集群系统的组成
2.5大数据集群技术的架构
2.6操作实践：大数据集群的部署
2.6.1集群规划
2.6.2网络配置
2.6.3安全配置
2.6.4时间同步
2.6.5SSH登录
小结
习题
第3章Hadoop分布式系统
3.1Hadoop概述
3.1.1Hadoop简介
3.1.2Hadoop的发展历程
3.1.3Hadoop原理及运行机制
3.2Hadoop相关技术及生态系统
3.3操作实践：Hadoop安装与配置
3.3.1安装JDK
3.3.2安装Hadoop
3.3.3配置Hadoop
3.3.4格式化
3.3.5运行Hadoop
小结
习题
第4章HDFS分布式文件系统
4.1HDFS
4.1.1设计前提和设计目标
4.1.2Namenode和Datanode
4.1.3文件系统的名字空间
4.1.4数据复制
4.1.5HDFS读流程
4.1.6HDFS写流程
4.2HDFS操作实践
4.2.1HDFSShell
4.2.2HDFSJavaAPI
4.2.3Eclipse开发环境
4.2.4综合实例
小结
习题
第5章MapReduce分布式计算
5.1MapReduce简介
5.1.1MapReduce架构
5.1.2MapReduce的原理
5.1.3MapReduce的工作机制
5.2MapReduce操作实践
5.2.1MapReduceWordCount编程实例
5.2.2MapReduce倒排索引编程实例
小结
习题
第6章HBase分布式数据库应用
6.1HBase简介
6.1.1HBase架构
6.1.2HBase的存储
6.2HBase集群部署
6.2.1HBase参数配置
6.2.2HBase运行与测试
6.3HBaseShell操作命令
6.3.1general操作
6.3.2namespace操作
6.3.3DDL操作
6.3.4DML操作
6.3.5授权
6.4HBase过滤器
6.5HBase编程
6.5.1HBase表操作编程
6.5.2HBase过滤查询编程
小结
习题
核心篇
第7章YARN资源分配
7.1统一资源管理和调度平台引例
7.1.1背景
7.1.2特点
7.1.3典型的统一资源调度平台
7.2YARN简介
7.2.1YARN架构
7.2.2YARN的工作流程
7.2.3YARN的优势
7.3操作实践：YARNShell实例
小结
习题
第8章Spark集群计算
8.1Spark简介
8.1.1Spark生态系统
8.1.2Spark架构
8.2SparkRDD
8.2.1RDD的依赖关系
8.2.2作业调度
8.2.3内存管理
8.2.4检查点支持
8.3Spark集群部署及应用案例
8.3.1Spark参数配置
8.3.2Spark集群运行
8.3.3Spark交互
8.3.4Spark算子
8.3.5Spark算法实例1：词频统计
8.3.6Spark算法实例2：相关系数
小结
习题
第9章Spark机器学习
9.1机器学习概述
9.1.1机器学习的发展史
9.1.2机器学习步骤
9.2SparkMLlib概述
9.2.1数据类型
9.2.2基本统计——基于DataFrame的API
9.2.3基本统计——基于RDD的API
9.3Spark实例
9.3.1聚类问题
9.3.2随机森林
小结
习题
0章Hive数据仓库应用
10.1Hive简介
10.1.1Hive组成模块
10.1.2Hive执行流程
10.1.3MetaStore存储模式
10.2Hive安装与配置
10.2.1Hive参数配置
10.2.2Hive运行与测试
10.2.3HiveBeeline
10.3数据类型和文件格式
10.3.1数据类型
10.3.2文件格式
10.4Hive数据定义与数据操作
10.4.1基本概念
10.4.2数据库管理
10.4.3表的管理
10.4.4外部表的管理
10.4.5分区管理
10.4.6数据操作
10.4.7桶的操作
10.4.8索引
10.5Hive数据查询
10.5.1简单查询
10.5.2复杂查询
10.5.3JOIN连接查询
10.5.4其他语句
10.6Hive编程
10.6.1JDBC函数
10.6.2完整实例
小结
习题
1章ZooKeeper协调服务
11.1ZooKeeper简介
11.1.1ZAB协议
11.1.2ZooKeeper数据模型
11.1.3会话
11.1.4事件监听器
11.1.5访问权限
11.2ZooKeeper集群部署
11.3ZooKeeper基本命令
11.4ZooKeeper应用
11.4.1Hadoop
11.4.2Spark
11.4.3Hive
11.5ZooKeeper编程
11.5.1ZooKeeper读/写操作
11.5.2集群状态监控
小结
习题
应用篇
2章医药大数据案例分析
12.1项目概述
12.2功能需求
12.3软件关键技术
12.4效果展示
12.5系统构架设计
12.5.1系统组成
12.5.2系统协作方式
12.5.3系统网络拓扑
12.5.4系统建设方案
12.6数据存储设计
12.7数据分析
12.8数据展示
小结
习题
参考文献