资源搜

资源名称：Hadoop_RPC详细分析 内容简介： 本书主要对Hadoop RPC进行详细分析;有需要的朋友可以下载看看。 HadoopRPC逻辑上分成三部分： 1.1. RPC Interface RPC对外接口。 1.2. RPC Server RPC服务端的实现。 1.3. RPC Client RPC客户端的实现。 资源截图：

资源名称：vmware_thinapp部署   内容简介： 一、安装 vmware thinapp 程序 二、使用 ThinApp Setup Capture 将应用程序打包 1 三、 View server 上 thinapp 部署 四、通过域控部署软件分发 五、登入到虚拟桌面   资源截图：

资源名称：百度Elasticsearch实践 内容简介：        百度 Elasticsearch 是一项托管服务，让您可以在百度云中轻松地部署、操作和扩展 Elasticsearch。Elasticsearch 是一款非常流行的开源分布式检索和分析引擎。通过百度云管理控制台，只需几分钟就可以创建和配置百度 Elasticsearch 集群。该服务自动检测并替换出现故障的 Elasticsearch 节点，减少自行管理基础设施和Elasticsearch软件的相关开销。百度 Elasticsearch 云服务完全兼容 Elasticsearch 开源 API，便于您现有 Elasticsearch 业务零成本迁移。同时百度 Elasticsearch 云服务提供权限管理机制，便于您对集群的权限自由配置，进一步保证数据安全。有需要的朋友可以下载看看。 资源截图：

资源名称：Hadoop开发者入门专刊 内容简介：       《Hadoop开发者入门专刊》教程主要内容：Hadoop源代码eclipse编译教程、在Windows上安装Hadoop教程、在Windows上使用Cygwin安装HBase、Hive应用介绍、Hive执行计划解析等内容。对Hadoop开发入门有较好的指导作用。          Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop实现了一个分布式文件系统(Hadoop Distributed File System)，简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的(low-cost)硬件上;而且它提供高吞吐量(high throughput)来访问应用程序的数据，适合那些有着超大数据集(large data set)的应用程序。HDFS放宽了(relax)POSIX的要求，可以以流的形式访问(streaming access)文件系统中的数据。Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。 资源截图：

资源名称：Hadoop云计算技术手册  内容简介：       Hadoop是一个开源的分布式并行计算平台，它主要由MapReduce的算法执行和一个分布式的文件系统等两部分组成。Hadoop起源于Doug Cutting大牛领导开发的Nutch搜索引擎项目的子项目。现在是Apache软件基金会管理的开源项目。        本文主要介绍Hadoop及相关技术，从Hadoop的起源开始讲述，主要涵盖了MapReduce算法思想，基本框架，运行流程和编程粒度等内容，以期给入门者提供一个关于Hadoop的技术简介和研究参考。关于Hadoop的安装指南和编程范例并不在本文叙述范围内，有需要者请参考其它资料。 资源目录： 引言——Hadoop从何而来 算法思想——Hadoop是怎么思考的 基本架构——Hadoop是如何构成的 运行流程——Hadoop是如何工作的 任务粒度——Hadoop是如何并行的 参考文献 资源截图：

资源名称：Spark大数据实例开发教程 资源截图：

资源名称：使用Hadoop构建云计算平台 内容简介： • 核心框架： HDFS和MapReduce • MapReduce — 任务的分解与结果的汇总 • HDFS — Hadoop Distributed File System • — 分布式计算的基石 Hadoop是一个Apache的开源项目;一个能够对大量数据进行分布式处理的软件架构;假设计算元素和存储会失败，因此维护多个工作;数据副本，确保数据在线迁移; 在很多场合得到应用：Amazon;Yahoo;Facebook。 资源截图：

资源名称：大数据：互联网大规模数据挖掘与分布式处理 内容简介： 本书源自作者在斯坦福大学教授多年的“Web挖掘”课程材料，主要关注大数据环境下数据挖掘的实际算法。书中分析了海量数据集数据挖掘常用的算法，介绍了目前Web应用的许多重要话题。主要内容包括： 　　□ 分布式文件系统以及Map-Reduce工具； 　　□ 相似性搜索； 　　□ 数据流处理以及针对易丢失数据等特殊情况的专用处理算法； 　　□ 搜索引擎技术，如谷歌的PageRank； 　　□ 频繁项集挖掘； 　　□ 大规模高维数据集的聚类算法； 　　□ Web应用中的关键问题：广告管理和推荐系统。 资源目录： 第1章　 数据挖掘基本概念　　 1.1　 数据挖掘的定义　　 1.1.1　 统计建模　　 1.1.2　 机器学习　　 1.1.3　 建模的计算方法　　 1.1.4　 数据汇总　　 1.1.5　 特征抽取　　 1.2　 数据挖掘的统计限制　　 1.2.1　 整体情报预警　　 1.2.2　 邦弗朗尼原理　　 1.2.3　 邦弗朗尼原理的一个例子　　 1.2.4　 习题　　 1.3　 相关知识　　 1.3.1　 词语在文档中的重要性　　 1.3.2　 哈希函数　　 1.3.3　 索引　　 1.3.4　 二级存储器　　 1.3.5　 自然对数的底e　　 1.3.6　 幂定律　　 1.3.7　 习题　　 1.4　 本书概要　　 1.5　 小结　　 1.6　 参考文献　　 第2章　 大规模文件系统及Map-Reduce　　 2.1　 分布式文件系统　　 2.1.1　 计算节点的物理结构　　 2.1.2　 大规模文件系统的结构　　 2.2　 Map-Reduce　　 2.2.1　 Map任务　　 2.2.2　 分组和聚合　　 2.2.3　 Reduce任务　　 2.2.4　 组合器　　 2.2.5　 Map-Reduce的执行细节　　 2.2.6　 节点失效的处理　　 2.3　 使用Map-Reduce的算法　　 2.3.1　 基于Map-Reduce的矩阵—向量乘法实现　　 2.3.2　 向量v无法放入内存时的处理　　 2.3.3　 关系代数运算　　 2.3.4　 基于Map-Reduce的选择运算　　 2.3.5　 基于Map-Reduce的投影运算　　 2.3.6　 基于Map-Reduce的并、交和差运算　　 2.3.7　 基于Map-Reduce的自然连接运算　　 2.3.8　 一般性的连接算法　　 2.3.9　 基于Map-Reduce的分组和聚合运算　　 2.3.10　 矩阵乘法　　 2.3.11　 基于单步Map-Reduce的矩阵乘法　　 2.3.12　 习题　　 2.4　 Map-Reduce的扩展　　 2.4.1　 工作流系统　　 2.4.2　 Map-Reduce的递归扩展版本　　 2.4.3　 Pregel系统　　 2.4.4　 习题　　 2.5　 集群计算算法的效率问题　　 2.5.1　 集群计算的通信开销模型　　 2.5.2　 实耗通信开销　　 2.5.3　 多路连接　　 2.5.4　 习题　　 2.6　 小结　　 2.7　 参考文献　　 第3章　 相似项发现　　 3.1　 近邻搜索的应用　　 3.1.1　 集合的Jaccard相似度　　 3.1.2　 文档的相似度　　 3.1.3　 协同过滤——一个集合相似问题　　 3.1.4　 习题　　 3.2　 文档的Shingling　　 3.2.1　 k-Shingle　　 3.2.2　 shingle大小的选择　　 3.2.3　 对shingle进行哈希　　 3.2.4　 基于词的shingle　　 3.2.5　 习题　　 3.3　 保持相似度的集合摘要表示　　 3.3.1　 集合的矩阵表示　　 3.3.2　 最小哈希　　 3.3.3　 最小哈希及Jaccard相似度　　 3.3.4　 最小哈希签名　　 3.3.5　 最小哈希签名的计算　　 3.3.6　 习题　　 3.4　 文档的局部敏感哈希算法　　 3.4.1　 面向最小哈希签名的LSH　　 3.4.2　 行条化策略的分析　　 3.4.3　 上述技术的综合　　 3.4.4　 习题　　 3.5　 距离测度　　 3.5.1　 距离测度的定义　　 3.5.2　 欧氏距离　　 3.5.3　 Jaccard距离　　 3.5.4　 余弦距离　　 3.5.5　 编辑距离　　 3.5.6　 海明距离　　 3.5.7　 习题　　 3.6　 局部敏感函数理论　　 3.6.1　 局部敏感函数　　 3.6.2　 面向Jaccard距离的局部敏感函数族　　 3.6.3　 局部敏感函数族的放大处理　　 3.6.4　 习题　　 3.7　 面向其他距离测度的LSH函数族　　 3.7.1　 面向海明距离的LSH函数族　　 3.7.2　 随机超平面和余弦距离　　 3.7.3　 梗概　　 3.7.4　 面向欧氏距离的LSH函数族　　 3.7.5　 面向欧氏空间的更多LSH函数族　　 3.7.6　 习题　　 3.8　 LSH函数的应用　　 3.8.1　 实体关联　　 3.8.2　 一个实体关联的例子　　 3.8.3　 记录匹配的验证　　 3.8.4　 指纹匹配　　 3.8.5　 适用于指纹匹配的LSH函数族　　 3.8.6　 相似新闻报道检测　　 3.8.7　 习题　　 3.9　 面向高相似度的方法　　 3.9.1　 相等项发现　　 3.9.2　 集合的字符串表示方法　　 3.9.3　 基于长度的过滤　　 3.9.4　 前缀索引　　 3.9.5　 位置信息的使用　　 3.9.6　 使用位置和长度信息的索引　　 3.9.7　 习题　　 3.10　 小结　　 3.11　 参考文献　　 第4章　 数据流挖掘　　　 第5章　 链接分析　　 第6章　 频繁项集　　 第7章　 聚类　　　 第8章　 Web广告　　　　 第9章　 推荐系统　　　 索引 资源截图：

资源名称：赤裸裸的未来 : 大数据时代:如何预见未来的生活和自己（带目录） 内容简介： 全书主题聚焦于未知与未来，但论述绝非建立在想象之上的空中楼阁，其间穿插着大量事例，或基于客观现实，或依据科学推测，生动有趣。 塔克尔通过大量的访谈和调查，约见各领域的权威人士，积累了极为丰富的素材，提取了他们有关现实的观点和对未来的预期，为我们展开了有关未来社会各领域的翔实可信的图景，讲述的虽是前沿科技主题，内容却平实亲和。就个人而言，我们生活在一个“超级透明”的世界，我们泄露出去的海量信息无处不在。若将这些信息收集起来，加以分析，就能勾勒出每一个人的真实性格、内心偏好，乃至可以预测每个人的命运。就时代而言，作者大胆预言：“大数据时代”只不过是一朵小浪花，终将会被更新、更前沿的“物联网时代”取代，并以灾难预测、流行病预防、犯罪防治、潜能开发、情绪管理、恋爱情感、个性化学习、娱乐私人定制等领域为例，描绘了一个富有激情的美好未来。案例大多发生在海外，但在国内各领域中都能找到其缩影或前兆，物联网、遥感等高尖信息化的潮流终将席卷全球。本书具有先锋意义。 作者简介：帕特里克•塔克尔（Patrick Tucker），美国《未来主义者》（The Futurist）杂志副主编，世界未来主义大会（World Future Society）负责人，世界著名未来学学者、小说家，曾获“巴里•汉纳短篇小说奖”和“尤金•沃尔特小说奖”。 资源目录： 中文版序言导言 大数据只不过是一朵小浪花/ 帕特里克•塔克尔第 1 章 大灾难之前“撼地神鲇”失灵一种全球神经系统的出现物联网，三个小插曲捷足先登预见火灾的发生一旦登录，iPhone 将了解你的每个动向遥感、模拟和贝叶斯公式众里寻“你” 第 2 章 强信号：因隐秘而伟大富兰克林的美德困境一位未来学家的审慎生活医生网络 第 3 章 帮你找到最可能会爱上的人神秘主义信仰者“房间里最漂亮的女孩”综合征脸谱网很快将能预测你会喜欢谁东京爱情“事故”亲密关系中的诚实信号伴侣关系 APP透明人的爱情 第 4 章 聪明的犯罪失效的“破窗理论”你所不知道的纽约警务犯罪红点犯罪具有传染性轻而易举监视暴乱 第 5 章 犯罪前就制止！将“山羊”和“绵羊”分离“内部”异常“守护者”的悖论寻找恐怖分子APP 帮助你免遭行凶抢劫 第 6 章 预测大师：赌场、沃尔玛、广告业与脸谱网“盛世长城”的衰落拉斯维加斯的场景将处处再现“小熊难题”弱关系法则第 7 章 做个“超级学习明星”个性化学习计划老师是超级明星 / 176沃尔玛、广告业与脸谱网“墙上的洞”与教学的终结 / 185 第 8 章 躲开一切流行病约什病毒超级地图找到你的流感三角流感的隐喻 第 9 章 天气的烦恼“特洛伊木马”诺曼底登陆与气象情报气候保险推销员 第 10 章 为什么喜欢“它”？区分好电影和垃圾电影畅销影视的大数据秘密“当蜘蛛侠遇上超人”结语 预见未来的超能力附录 预见未来致谢译后记 资源截图：

资源名称：实战大数据 内容简介： “数据是重要资产”已成为大家的共识，众多公司都在争相分析、挖掘大数据背后的信息资源。本书在此背景下，对目前大数据及其相关技术的发展进行总结，理论联系实践，既不缺乏理论深度又具有实用价值。 本书共12章，内容包括大数据的概念、特点、发展历史，数据获取与存储，数据抽取和清洗，数据集成，数据的查询、分析与建模，异构数据采集，文档的存储与检索，异种数据的统一访问与转换，基于微博的股票市场预测系统实例，海量视频检索系统实例，HDFS云文件系统实例。 本书适合大数据技术初学者、大数据从业人员和研究人员，也可以作为高等院校相关专业师生的教学参考书。 资源目录： 第一篇 大数据基础篇 第1章 大数据介绍 1.1 大数据相关概念 1.1.1 大数据的历史 1.1.2 大数据的定义 1.2 大数据研究内容 1.3 大数据研究现状 1.3.1 学术界现状 1.3.2 产业界现状 1.3.3 政府机构现状 1.4 大数据的应用领域 1.4.1 大数据在制造业的应用 1.4.2 大数据在服务业的应用 1.4.3 大数据在交通行业的应用 1.4.4 大数据在医疗行业的应用 1.5 本章小结 第2章 数据存储技术 2.1 数据存储技术介绍 2.2 数据采集与存储技术研究现状 2.2.1 传统关系型数据库 2.2.2 新兴数据存储系统 2.3 海量数据存储的关键技术分析 2.3.1 数据划分 2.3.2 数据一致性与可用性 2.3.3 负载均衡 2.3.4 容错机制 2.3.5 海量数据存储的硬件支持 2.4 数据存储技术的实现与工具 2.4.1 集中式数据存储管理系统Bigtable 2.4.2 非集中式的大规模数据管理系统Dynamo 2.4.3 BigTable的开源实现HBase 2.4.4 MongoDB 2.4.5 CouchDB 2.4.6 Redis 2.4.7 Hypertable 2.4.8 其他开源NoSQL数据库 2.5 本章小结 第3章 数据抽取和清洗 3.1 数据抽取和清洗技术介绍 3.1.1 数据抽取简介 3.1.2 数据清洗简介 3.2 数据抽取和清洗研究现状 3.3 数据抽取技术的实现 3.3.1 Web数据抽取 3.3.2 非结构化数据抽取 3.3.3 基于云计算的海量数据分析 3.4 数据清洗技术的实现 3.4.1 数据清洗流程 3.4.2 数据清洗框架 3.4.3 数据清洗相关技术 3.4.4 基于Hadoop的数据清洗方案 3.5 ETL现状与发展 3.5.1 数据ETL简介 3.5.2 基于MapReduce的ETL框架 3.5.3 ETL工具 3.5.4 ETL展望 3.6 本章小结 第4章 数据集成 4.1 数据集成技术介绍 4.2 数据集成技术研究现状 4.2.1 Information Manifold：具有统一的查询接口 4.2.2 数据集成系统的发展建设 4.2.3 企业信息集成 4.2.4 未来的挑战 4.3 数据集成技术的实现与工具 4.3.1 Oracle Data Integrator（ODI）简介 4.3.2 ODI的特点 4.3.3 Microsoft SQL Server Integration Services（SSIS）简介 4.3.4 SSIS的特点 4.3.5 IBM InfoSphere Information Server简介 4.3.6 Sybase Data Integrator Suite 简介 4.4 本章小结 第5章 数据查询、分析与建模技术 5.1 数据查询、分析与建模技术介绍 5.1.1 数据查询 5.1.2 数据分析 5.1.3 数据建模 5.2 数据查询、分析与建模技术研究现状 5.2.1 并行处理 178 5.2.2 海量数据查询与搜索 5.2.3 数据分析中的OLAP与数据挖掘技术 5.2.4 数据模型与数据建模方法 5.3 数据查询、分析与建模技术的实现与工具 5.3.1 数据查询相关技术实现与工具 5.3.2 数据分析相关技术实现与工具 5.3.3 数据建模相关技术实现与工具 5.4 本章小结 第二篇 大数据深入篇 第6章 采用OSGi框架构建可伸缩的异构数据采集平台 6.1 应用背景 6.2 需求分析与总体设计 6.2.1 功能需求 6.2.2 非功能需求 6.2.3 总体设计 6.3 相关技术介绍 6.3.1 OSGi 框架介绍 6.3.2 多源异构数据的获取 6.4 系统设计与实现 6.4.1 异构数据采集平台的设计 6.4.2 数据采集插件的设计与实现 6.4.3 系统服务框架的设计与实现 6.5 部署与测试 6.5.1 系统部署 6.5.2 系统测试 6.6 本章小结 第7章 采用HBase实现海量小型XML文档的存储与检索 7.1 应用背景 7.2 需求分析与总体设计 7.2.1 需求分析 7.2.2 总体设计 7.3 相关技术介绍 7.3.1 XML相关技术 7.3.2 XQuery语句 7.3.3 XML检索技术 7.3.4 云计算和HBase 7.3.5 JavaCC工具介绍 7.4 详细设计与实现 7.4.1 数据存储模块的详细设计与实现 7.4.2 数据检索模块的详细设计与实现 7.4.3 用户模块的详细设计与实现 7.5 本章小结 第8章 采用Map/Reduce进行大规模社交网络社团发现 8.1 研究背景 8.2 相关理论和技术 8.2.1 社团结构 8.2.2 相关社团发现算法 8.2.3 Hadoop分布计算框架 8.3 RMS算法的并行化实现 8.3.1 RMS算法 8.3.2 RMS算法在MapReduce上的实现 8.4 AP聚类算法的并行化实现 8.4.1 AP聚类算法 8.4.2 AP聚类算法在MapReduce上的实现 8.5 实验与分析 8.5.1 实验环境 8.5.2 实验与结果分析 8.6 本章小结 第9章 数据统一访问与转换平台 9.1 应用背景介绍 9.2 数据统一访问需求分析与总体设计 9.2.1 功能性需求分析 9.2.2 非功能性需求分析 9.2.3 总体设计 9.3 数据统一访问与转换关键技术 9.3.1 SDO编程技术 9.3.2 Hadoop MapReduce框架 9.3.3 HBase数据库技术 9.3.4 模型驱动数据转换技术 9.4 数据统一访问和灵活转换的详细设计与实现 9.4.1 数据分析及预处理 9.4.2 基于DAS的数据源统一访问 9.4.3 映射模式表示与数据存储管理模块 9.4.4 基于MapReduce的数据转换管理模块 9.5 本章小结 第三篇 大数据应用篇 第10章 基于微博的股票市场预测系统 10.1 应用背景介绍 10.2 需求分析与总体设计 10.2.1 需求分析 10.2.2 总体设计 10.3 相关技术介绍 10.3.1 社交网络 10.3.2 社交网络表示方法 10.3.3 信息传播模型 10.4 详细设计与实现 10.4.1 Twitter数据采集模块详细设计 10.4.2 Twitter数据分析模块详细设计 10.4.3 用户行为分析模块详细设计 10.4.4 预测股票价格涨跌模块详细设计 10.4.5 系统实现 10.5 本章小结 第11章 基于内容的海量视频检索系统 11.1 应用背景 11.2 需求分析与总体设计 11.2.1 功能需求 11.2.2 非功能需求 11.2.3 核心业务处理流程 11.2.4 总体设计 11.3 相关技术简介 11.3.1 MPEG-7与OpenCV简介 11.3.2 运动对象提取 11.3.3 星形骨架方法 11.4 详细设计与实现 11.4.1 基于MapReduce的视频预处理 11.4.2 基于HBase的视频数据存储 11.4.3 行为识别与运动规则的组合创建 11.5 系统运行时截图 11.6 本章小结 第12章 基于HDFS的云文件系统 12.1 应用背景介绍 12.2 需求分析与总体设计 12.2.1 需求分析 12.2.2 总体设计 12.3 相关技术介绍 12.3.1 Hadoop HDFS介绍 12.3.2 主控节点和数据节点 12.3.3 页面展现技术 12.3.4 页面控制技术 12.4 详细设计与实现 12.4.1 云文件系统的操作流程 12.4.2 云文件系统的模块设计 12.4.3 云文件系统实现 12.4.4 云文件系统主要功能截图 12.5 本章小结 资源截图：