HAWQ数据仓库与数据挖掘实战

作者：王雪迎

王雪迎 ，毕业于中国地质大学计算机专业，高级工程师，从事数据库、数据仓库相关技术工作20年。先后供职于北京现代商业信息技术有限公司、北京在线九州信息技术服务有限公司、华北计算技术研究所、北京优贝在线网络科技有限公司，担任DBA、数据架构师等职位。著有图书《Hadoop数据仓库实践》。

目 录

*部分 HAWQ技术解析

第1章 HAWQ概述 3

1.1 SQL-on-Hadoop 3

1.1.1 对SQL-on-Hadoop的期待 3

1.1.2 SQL-on-Hadoop的实现方式 4

1.2 HAWQ简介 6

1.2.1 历史与现状 7

1.2.2 功能特性 7

1.3 HAWQ系统架构 9

1.3.1 系统架构 10

1.3.2 内部架构 11

1.4 为什么选择HAWQ 12

1.4.1 常用SQL-on-Hadoop产品的不足 12

1.4.2 HAWQ的可行性 13

1.4.3 适合DBA的解决方案 18

1.5 小结 18

第2章 HAWQ安装部署 19

2.1 安装规划 19

2.1.1 选择安装介质 19

2.1.2 选择HAWQ版本 20

2.1.3 确认Ambari与HDP的版本兼容性 20

2.2 安装前准备 21

2.2.1 确认*小系统需求 21

2.2.2 准备系统安装环境 22

2.2.3 建立本地Repository 24

2.3 安装Ambari 25

2.4 安装HDP集群 27

2.5 安装HAWQ 29

2.6 启动与停止HAWQ 34

2.6.1 基本概念 34

2.6.2 操作环境 34

2.6.3 基本操作 36

2.7 小结 40

第3章 连接管理 41

3.1 配置客户端身份认证 41

3.2 管理角色与权限 45

3.2.1 HAWQ中的角色与权限 45

3.2.2 管理角色及其成员 46

3.2.3 管理对象权限 48

3.2.4 口令加密 49

3.3 psql连接HAWQ 50

3.4 Kettle连接HAWQ 52

3.5 连接常见问题 55

3.6 小结 56

第4章 数据库对象管理 57

4.1 创建和管理数据库 57

4.2 创建和管理表空间 61

4.3 创建和管理模式 65

4.4 创建和管理表 72

4.4.1 创建表 72

4.4.2 删除表 74

4.4.3 查看表对应的HDFS文件 74

4.5 创建和管理视图 76

4.6 管理其他对象 77

4.7 小结 78

第5章 分区表 79

5.1 HAWQ中的分区表 79

5.2 确定分区策略 80

5.3 创建分区表 81

5.3.1 范围分区与列表分区 81

5.3.2 多级分区 86

5.3.3 对已存在的非分区表进行分区 86

5.4 分区消除 87

5.5 分区表维护 91

5.6 小结 98

第6章 存储管理 99

6.1 数据存储选项 99

6.2 数据分布策略 103

6.2.1 数据分布策略概述 103

6.2.2 选择数据分布策略 104

6.2.3 数据分布用法 108

6.3 从已有的表创建新表 111

6.4 小结 117

第7章 资源管理 118

7.1 HAWQ资源管理概述 118

7.1.1 全局资源管理 118

7.1.2 HAWQ资源队列 119

7.1.3 资源管理器配置原则 119

7.2 配置独立资源管理器 120

7.3 整合YARN 123

7.4 管理资源队列 129

7.5 查询资源管理器状态 134

7.6 小结 137

第8章 数据管理 138

8.1 基本数据操作 138

8.2 数据装载与卸载 141

8.2.1 gpfdist协议及其外部表 141

8.2.2 基于Web的外部表 148

8.2.3 使用外部表装载数据 151

8.2.4 外部表错误处理 151

8.2.5 使用hawq load装载数据 152

8.2.6 使用COPY复制数据 155

8.2.7 卸载数据 157

8.2.8 hawq register 159

8.2.9 格式化数据文件 159

8.3 数据库统计 163

8.3.1 系统统计 163

8.3.2 统计配置 166

8.4 PXF 168

8.4.1 安装配置PXF 168

8.4.2 PXF profile 168

8.4.3 访问HDFS文件 170

8.4.4 访问Hive数据 174

8.4.5 访问JSON数据 186

8.4.6 向HDFS中写入数据 190

8.5 小结 194

第9章 过程语言 195

9.1 HAWQ内建SQL语言 195

9.2 PL/pgSQL函数 197

9.3 给HAWQ内部函数起别名 198

9.4 表函数 198

9.5 参数个数可变的函数 201

9.6 多态类型 202

9.7 UDF管理 205

9.8 UDF实例——递归树形遍历 207

9.9 小结 214

第10章 查询优化 215

10.1 HAWQ的查询处理流程 215

10.2 GPORCA查询优化器 217

10.2.1 GPORCA的改进 218

10.2.2 启用GPORCA 224

10.2.3 使用GPORCA需要考虑的问题 225

10.2.4 GPORCA的限制 227

10.3 性能优化 228

10.4 查询剖析 232

10.5 小结 238

第11章 高可用性 239

11.1 备份与恢复 239

11.1.1 备份方法 239

11.1.2 备份与恢复示例 242

11.2 高可用性 247

11.2.1 HAWQ高可用简介 247

11.2.2 Master节点镜像 248

11.2.3 HAWQ文件空间与HDFS高可用 251

11.2.4 HAWQ容错服务 260

11.3 小结 262

第二部分 HAWQ实战演练

第12章 建立数据仓库示例模型 265

12.1 业务场景 265

12.2 数据仓库架构 267

12.3 实验环境 268

12.4 HAWQ相关配置 269

12.5 创建示例数据库 273

12.5.1 在hdp4上的MySQL中创建源库对象并生成测试数据 273

12.5.2 创建目标库对象 275

12.5.3 装载日期维度数据 283

12.6 小结 284

第13章 初始ETL 285

13.1 用Sqoop初始数据抽取 285

13.1.1 覆盖导入 286

13.1.2 增量导入 286

13.1.3 建立初始抽取脚本 287

13.2 向HAWQ初始装载数据 288

13.2.1 数据源映射 288

13.2.2 确定SCD处理方法 288

13.2.3 实现代理键 289

13.2.4 建立初始装载脚本 289

13.3 建立初始ETL脚本 291

13.4 小结 293

第14章 定期ETL 294

14.1 变化数据捕获 294

14.2 创建维度表版本视图 296

14.3 创建时间戳表 297

14.4 用Sqoop定期数据抽取 298

14.5 建立定期装载HAWQ函数 298

14.6 建立定期ETL脚本 303

14.7 测试 303

14.7.1 准备测试数据 303

14.7.2 执行定期ETL脚本 304

14.7.3 确认ETL过程正确执行 305

14.8 动态分区滚动 307

14.9 准实时数据抽取 309

14.10 小结 317

第15章 自动调度执行ETL作业 318

15.1 Oozie简介 318

15.2 建立工作流前的准备 320

15.3 用Oozie建立定期ETL工作流 324

15.4 Falcon简介 328

15.5 用Falcon process调度Oozie工作流 329

15.6 小结 332

第16章 维度表技术 333

16.1 增加列 333

16.2 维度子集 342

16.3 角色扮演维度 348

16.4 层次维度 354

16.4.1 固定深度的层次 355

16.4.2 多路径层次 357

16.4.3 参差不齐的层次 359

16.5 退化维度 361

16.6 杂项维度 366

16.7 维度合并 374

16.8 分段维度 380

16.9 小结 386

第17章 事实表技术 387

17.1 周期快照 388

17.2 累积快照 394

17.3 无事实的事实表 404

17.4 迟到的事实 409

17.5 累积度量 416

17.6 小结 422

第18章 联机分析处理 423

18.1 联机分析处理简介 423

18.1.1 概念 423

18.1.2 分类 424

18.1.3 性能 426

18.2 联机分析处理实例 427

18.2.1 销售订单 427

18.2.2 行列转置 433

18.3 交互查询与图形化显示 440

18.3.1 Zeppelin简介 440

18.3.2 使用Zeppelin执行HAWQ查询 441

18.4 小结 448

第三部分 HAWQ数据挖掘

第19章 整合HAWQ与MADlib 451

19.1 MADlib简介 452

19.2 安装与卸载MADlib 455

19.3 MADlib基础 458

19.3.1 向量 458

19.3.2 矩阵 469

19.4 小结 484

第20章 奇异值分解 485

20.1 奇异值分解简介 485

20.2 MADlib奇异值分解函数 486

20.3 奇异值分解实现推荐算法 489

20.4 小结 501

第21章 主成分分析 502

21.1 主成分分析简介 502

21.2 MADlib的PCA相关函数 504

21.3 PCA应用示例 509

21.4 小结 513

第22章 关联规则方法 514

22.1 关联规则简介 514

22.2 Apriori算法 517

22.2.1 Apriori算法基本思想 517

22.2.2 Apriori算法步骤 518

22.3 MADlib的Apriori算法函数 518

22.4 Apriori应用示例 519

22.5 小结 524

第23章 聚类方法 525

23.1 聚类方法简介 525

23.2 k-means方法 526

23.2.1 基本思想 527

23.2.2 原理与步骤 527

23.2.3 k-means算法 527

23.3 MADlib的k-means相关函数 529

23.4 k-means应用示例 532

23.5 小结 537

第24章 回归方法 538

24.1 回归方法简介 538

24.2 Logistic回归 539

24.3 MADlib的Logistic回归相关函数 539

24.4 Logistic回归示例 542

24.5 小结 546

第25章 分类方法 547

25.1 分类方法简介 547

25.2 决策树 549

25.2.1 决策树的基本概念 549

25.2.2 决策树的构建步骤 549

25.3 MADlib的决策树相关函数 551

25.4 决策树示例 555

25.5 小结 561

第26章 图算法 562

26.1 图算法简介 562

26.2 单源*短路径 565

26.3 MADlib的单源*短路径相关函数 566

26.4 单源*短路径示例 567

26.5 小结 569

第27章 模型验证 570

27.1 交叉验证简介 570

27.2 MADlib的交叉验证相关函数 573

27.3 交叉验证示例 575

27.4 小结 578

装　　帧：平装-胶订

开　　本：16开

纸　　张：胶版纸