大数据架构商业之路 从业务需求到技术方案

第1章 抉择 1

第2章 数据收集 4

2.1 互联网数据收集 4

2.1.1 网络爬虫 5

2.1.2 Apache Nutch简介 11

2.1.3 Heritrix简介 14

2.2 内部数据收集 15

2.2.1 Apache Flume简介 17

2.2.2 Facebook Scribe和Logstash 21

2.3 本章心得 21

2.4 参考资料 22

第3章 数据存储 23

3.1 持久化存储 23

3.1.1 Hadoop和HDFS 25

3.1.2 HBase简介 28

3.1.3 MongoDB 35

3.2 非持久化存储 37

3.2.1 缓存和散列 37

3.2.2 Memcached和Berkeley DB简介 41

3.2.3 Redis简介 41

3.3 本章心得 44

3.4 参考资料 44

第4章 数据处理 46

4.1 离线批量处理 46

4.1.1 Hadoop的MapReduce 47

4.1.2 Spark简介 52

4.1.3 Hive简介 53

4.1.4 Pig、 Impala和Spark SQL 56

4.2 提升及时性：消息机制 58

4.2.1 ActiveMQ简介 60

4.2.2 Kafka简介 61

4.3 在线实时处理 63

4.3.1 Storm简介 63

4.3.2 Spark Streaming简介 66

4.4 本章心得 66

4.5 参考资料 67

第5章 信息检索 69

5.1 基本理念 70

5.2 相关性 70

5.2.1 布尔模型 70

5.2.2 基于排序的布尔模型 71

5.2.3 向量空间模型 74

5.2.4 语言模型 75

5.3 及时性 77

5.4 与数据库查询的对比 81

5.5 搜索引擎 82

5.5.1 Web搜索中的链接分析 83

5.5.2 电子商务中的商品排序 86

5.5.3 多因素和基于学习的排序 88

5.5.4 系统框架 89

5.5.5 Lucene简介 93

5.5.6 Solr简介 98

5.5.7 Elasticsearch简介 104

5.6 推荐系统 108

5.6.1 推荐的核心要素 109

5.6.2 推荐系统的分类 110

5.6.3 混合模型 115

5.6.4 系统架构 116

5.6.5 Mahout 116

5.7 在线广告 119

5.7.1 在线广告的类型 120

5.7.2 广告投放机制 124

5.7.3 广告的拍卖机制 125

5.7.4 广告系统架构 126

5.8 本章心得 127

5.9 参考资料 128

第6章 数据挖掘 130

6.1 基本理念 131

6.2 数据的表示和预处理 133

6.2.1 数据的表示 133

6.2.2 数据的预处理 135

6.3 机器学习算法 136

6.3.1 监督学习——分类 137

6.3.2 监督学习——回归 152

6.3.3 非监督学习——聚类 153

6.4 挖掘工具 157

6.4.1 Mahout简介 157

6.4.2 R简介 159

6.5 本章心得 165

6.6 参考资料 165

第7章 效能评估 167

7.1 效果评估 168

7.1.1 离线评估 169

7.1.2 非离线的评估 183

7.2 性能评估 190

7.2.1 计算复杂度 191

7.2.2 应用系统性能 193

7.2.3 JMeter工具 197

7.3 本章心得 202

7.4 参考资料 202

第8章 大数据技术全景 204

第9章 商品太多啦！需要搜索 207

引擎 207

9.1 业务需求 207

9.2 产品设计和技术选型 208

9.3 实现方案 211

9.3.1 数据定义和配置 211

9.3.2 集群搭建 213

9.3.3 DIH配置 216

第10章 能否更主动？还需要推荐引擎 223

10.1 业务需求 223

10.2 产品设计和技术选型 225

10.3 实现方案 230

10.3.1 基于内容特征的衡量 230

10.3.2 基于行为特征的衡量 233

10.3.3 提供在线服务 236

第11章 这样做的效果如何 241

11.1 业务需求 241

11.2 产品设计和技术选型 242

11.3 实现方案 243

11.3.1 行为数据的定义和记录 243

11.3.2 Flume和HDFS的集成 246

11.3.3 通过Hive进行分析 252

11.3.4 Kafka和Storm的集成 254

第12章 这个搜索有点逊 258

12.1 业务需求：还要搜得更多 258

12.2 “还要搜得更多”：产品设计和技术选型 259

12.3 “还要搜得更多”的方案实现 261

12.3.1 HBase的部署 261

12.3.2 HBase和Solr的集成 264

12.4 业务需求：还要搜得更准 265

12.5 “还要搜得更准”：产品设计和技术选型 266

12.5.1 提升搜索排序的相关性 266

12.5.2 提升搜索排序的整体效果 268

12.6 “还要搜得更准”的方案实现 271

12.7 业务需求：还要更快 273

12.8 还要“变”得更快：产品设计和技术选型 274

12.9 还要“搜”得更快：产品设计和技术选型 275

12.10 业务需求：给点提示吧 280

12.11 给点提示吧：产品设计和技术选型 282

第13章 支持更高效的运营 287

13.1 业务需求：互联网时代的CRM 287

13.2 互联网时代的CRM：产品设计和技术选型 288

13.3 业务需求：抓住捣蛋鬼 291

13.4 抓住捣蛋鬼：产品设计和技术选型 292

13.4.1 识别分类错放 292

13.4.2 识别SEO作弊 294

13.5 业务需求：销售之战 295

13.6 销售之战：产品设计和技术选型 296

13.6.1 设置合理的价格 296

13.6.2 识别黄牛 298

后记 299