ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Big Data Using Hadoop and Hive

دانلود کتاب داده های بزرگ با استفاده از Hadoop و Hive

Big Data Using Hadoop and Hive

مشخصات کتاب

Big Data Using Hadoop and Hive

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1683926455, 9781683926450 
ناشر: Mercury Learning and Information 
سال نشر: 2021 
تعداد صفحات: 207 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

قیمت کتاب (تومان) : 58,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 2


در صورت تبدیل فایل کتاب Big Data Using Hadoop and Hive به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب داده های بزرگ با استفاده از Hadoop و Hive نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب داده های بزرگ با استفاده از Hadoop و Hive

این کتاب راهنمای اساسی برای توسعه‌دهندگان، معماران، مهندسان و هر کسی است که می‌خواهد از نرم‌افزار منبع باز Hadoop و Hive برای ساخت برنامه‌های داده‌های بزرگ همزمان توزیع‌شده و مقیاس‌پذیر استفاده کند. Hive برای خواندن، نوشتن و مدیریت فایل‌های مجموعه داده بزرگ استفاده می‌شود. این کتاب یک راهنمای مختصر برای شروع با درک کلی Apache Hadoop و Hive و نحوه کار آنها برای سرعت بخشیدن به توسعه با حداقل تلاش است. این به مفاهیم و مثال‌های ساده اشاره می‌کند، زیرا احتمالاً بهترین کمک آموزشی هستند. منطق، کد، و تنظیمات مورد نیاز برای ساختن یک برنامه کاربردی موفق، توزیع شده و همزمان و همچنین دلیل این تصمیمات را توضیح می دهد. ویژگی ها:
  • نشان می دهد که چگونه می توان از نرم افزار منبع باز Hadoop و Hive برای ساخت برنامه های داده های بزرگ توزیع شده، مقیاس پذیر و همزمان استفاده کرد
  • شامل مطالبی در مورد معماری Hive با انواع مختلف ذخیره سازی و زبان پرس و جو Hive
  • دارای فصلی در مورد داده های بزرگ و نحوه استفاده از Hadoop برای حل تغییرات پیرامون آن است
  • اصول اساسی را توضیح می دهد. راه اندازی، پیکربندی و بهینه سازی Hadoop

توضیحاتی درمورد کتاب به خارجی

This book is the basic guide for developers,architects, engineers, and anyone who wants to start leveraging the open-sourcesoftware Hadoop and Hive to build distributed, scalable concurrent big data applications. Hive will be used for reading, writing, and managing the large, data set files. The book is a concise guide on getting started with an overall understanding onApache Hadoop and Hive and how they work together to speed up development with minimal effort. It will refer to simple concepts and examples, as they are likely to be the best teaching aids. It will explain the logic, code, and configurations needed to build a successful, distributed, concurrent application, as well as the reason behind those decisions. FEATURES:
  • Shows how to leverage the open-source software Hadoop and Hive to build distributed, scalable, concurrent big data applications
  • Includes material on Hive architecture with various storage types and the Hive query language
  • Features a chapter on big data and how Hadoop can be used to solve the changes around it
  • Explains the basic Hadoop setup, configuration, and optimization


فهرست مطالب

Cover
Half-Title
Title
Copyright
Dedication
Contents
Preface
Chapter 1: Big Data
	Big Data Challenges for Organizations
	How We Are Using Big Data
	Big Data: An Opportunity
	Hadoop: A Big Data Solution
	Big Data in the Real World
Chapter 2: What is Apache Hadoop?
	Hadoop History
	Hadoop Benefits
	Hadoop's Ecosystem: Components
	Hadoop Core Component Architecture
	Summary
Chapter 3: The Hadoop Distribution Filesystem
	HDFS Core Components
	HDFS Architecture
	Data Replication
	Data Locality
	Data Storage
	Failure Handling on the HDFS
	Erasure Coding (EC)
	HDFS Disk Balancer
	HDFS Federation
	HDFS Architecture and Its Challenges
	Hadoop Federation: A Rescue
	Benefits of the HDFS Federation
	HDFS Processes: Read and Write
	Failure Handling During Read and Write
Chapter 4: Getting Started with Hadoop
	Hadoop Configuration
	Command-Line Interface
	Generic Filesystem CLI Command
	Distributed Copy (distcp)
	Hadoop's Other User Commands
	HDFS Permissions
	HDFS Quotas Guide
	HDFS Short-Circuit Local Reads
	Offline Edits Viewer Guide
	Offline Image Viewer Guide
Chapter 5: Interfaces to Access HDFS Files
	WebHDFS REST API
	FileSystem URIs
	Error Responses
	Authentication
	Java FileSystem API
	URI and Path
	FSDataInputStream
	FSDataOutputStream
	FileStatus
	Directories
	Delete Files
	C API libhdfs
Chapter 6: Yet Another Resource Negotiator
	YARN Architecture
	YARN Process Flow
	YARN Failures
	YARN High Availability
	YARN Schedulers
	The Fair Scheduler
	The Capacity Scheduler
	The YARN Timeline Server
	Application Timeline Server (ATS)
	ATS Data Model Structure
	ATS V2
	YARN Federation
Chapter 7: MapReduce
	MapReduce Process
	Key Features
	Different Phases in the MapReduce Process
	MapReduce Architecture
	MapReduce Sample Program
	MapReduce Composite Key Operation
	Mapper Program
	MapReduce Configuration
Chapter 8: Hive
	Hive History
	Hive Query
	Data Storage
	Data Model
	Complex Data Types
	Hive DDL (Data Definition Language)
	Tables
	View
	Partition
	Bucketing
	Hive Architecture
	Serialization/Deserialization (SerDe)
	Metastore
	Query Compiler
	HiveServer2
Chapter 9: Getting Started with Hive
	Hive Set-up
	Hive Configuration Settings
	Loading and Inserting Data into Tables
	Insert from a Select Query
	Load Table Data into File
	Create and Load Data into a Table
	Hive Transactions
	Enable Transactions
	Insert Values
	Update
	Delete
	Merge
	Locks
	Hive Select Query
	Select Basic Query
	Hive QL File
	Hive Select on Complex Datatypes
	Order By and Sort By
	Distribute By and Cluster By
	Group By and Having
	Built-in Aggregate Functions
	Enhanced Aggregation
	Table-Generating Functions
	Built-In Utility Functions
	Collection Functions
	Date Functions
	Conditional Functions
	String Functions
	Hive Query Language-Join
Chapter 10: File Format
	File Format Characteristics
	Columnar Format
	Schema Evolution
	Splittable
	Compression
	File Formats
	RC (Row-Columnar) File Input Format
	Optimized Row Columnar (ORC) File Format
	Parquet
	File Format Comparisons
	ORC vs. Parquet
Chapter 11: Data Compression
	Data Compression Benefits
	Data Compression in Hadoop
	Splitting
	Compression Codec
	Data Compressions
	References
Index




نظرات کاربران