ODPS权威指南

内容概要

李妹芳，阿里数据平台事业部工程师，曾译有《Linux系统编程》、《数据之美》、《数据可视化之美》等书，她喜欢儿童文学，她的微博是http://weibo.com/duckrun。

书籍目录

前言 7

第1章 ODPS概述 9

1.1 引言 9

1.2 初识ODPS 9

1.2.1 背景和挑战 9

1.2.2 为什么做ODPS 10

1.2.3 ODPS是什么 10

1.2.4 ODPS做什么 11

1.3 基本概念 11

1.3.1 账号（Account） 12

1.3.2 项目空间（Project） 13

1.3.3 表（Table） 13

1.3.4 分区（Partition） 14

1.3.5 任务（Task）、作业（Job）和作业实例（Instance） 14

1.3.6 资源（Resource） 14

1.4 应用开发模式 15

1.4.1 RESTful API 15

1.4.2 ODPS SDK 18

1.4.3 ODPS CLT 18

1.4.4 管理控制台 18

1.4.5 IDE 18

1.5 一些典型场景 19

1.5.1 阿里金融数据仓库 19

1.5.2 CNZZ数据仓库 19

1.5.3 支付宝账号影响力圈 19

1.5.4 阿里金融水文衍生算法 19

1.5.5 阿里妈妈广告CTR预估 20

1.6 现状和前景 20

1.7 小结 21

第2章 ODPS入门 22

2.1 准备工作 22

2.1.1 创建云账号 22

2.1.2 开通ODPS服务 24

2.2 使用管理控制台 24

2.3 配置ODPS客户端 26

2.3.1 下载和配置CLT 26

2.3.2 准备dual表 28

2.3.3 CLT运行模式 30

2.3.4 下载和配置dship 30

2.3.5 通过dship上传下载数据 31

2.4 网站日志分析实例 32

2.4.1 场景和数据说明 32

2.4.2 需求分析 33

2.4.3 数据准备 33

2.4.4 创建表并添加分区 34

2.4.5 数据解析和导入 35

2.4.6 数据加工 39

2.4.7 数据分析 43

2.4.8 自动化运行 47

2.4.9 应用数据集市 49

2.4.10 结果导出 51

2.4.11 结果展现 51

2.4.12 删除数据 53

2.5 小结 53

第3章 收集海量数据 54

3.1 DSHIP工具 54

3.2 收集WEB日志 56

3.2.1 场景和需求说明 56

3.2.2 问题分析和设计 56

3.2.3 实现说明 57

3.2.4 进一步探讨 59

3.2.5 为什么这么难 61

3.3 MYSQL数据同步到ODPS 61

3.3.1 场景和需求说明 61

3.3.2 问题分析和实现 61

3.3.3 进一步探讨 63

3.4 下载结果表 63

3.5 小结 63

第4章 使用SQL处理海量数据 64

4.1 ODPS SQL是什么 64

4.2 入门示例 64

4.2.1 场景说明 64

4.2.2 简单的DDL操作 64

4.2.3 生成数据 68

4.2.4 单表查询 69

4.2.5 多表连接JOIN 71

4.2.6 高级查询 79

4.2.7 多表关联UNION ALL 87

4.2.8 多路输出（MULTI-INSERT） 88

4.3 网站日志分析 88

4.3.1 准备数据和表 89

4.3.2 维度表 89

4.3.3 访问路径分析 96

4.3.4 TopK查询 97

4.3.5 IP黑名单 98

4.4 天猫品牌预测 103

4.4.1 主题说明和前期准备 103

4.4.2 理解数据 104

4.4.3 两个简单的实践 106

4.4.4 问题分析和算法设计 108

4.4.5 生成特征 109

4.4.6 抽取正负样本 111

4.4.7 生成模型 114

4.4.8 验证模型 115

4.4.9 预测结果 118

4.4.10 进一步探讨 118

4.5 小结 118

第5章 SQL进阶 120

5.1 UDF是什么 120

5.2 入门示例 120

5.3 实际应用案例 122

5.3.1 URL解码 122

5.3.2 简单的LBS应用 123

5.3.3 网站访问日志UserAgent解析 125

5.4 SQL实现原理 129

5.4.1 词法分析 130

5.4.2 语法分析 130

5.4.3 逻辑分析 130

5.4.4 物理分析 136

5.5 SQL调优 137

5.5.1 数据倾斜 137

5.5.2 一些优化建议 140

5.5.3 一些注意事项 141

5.6 小结 141

第6章 通过TUNNEL迁移数据 142

6.1 ODPS TUNNEL 是什么 142

6.2 入门示例 142

6.2.1 下载和配置 142

6.2.2 准备数据 142

6.2.3 上传数据 143

6.2.4 下载数据 148

6.3 TUNNEL原理 149

6.3.1 数据如何传输 149

6.3.2 客户端和服务端如何交互 150

6.3.3 如何实现高并发 151

6.4 从HADOOP迁移到ODPS 151

6.4.1 问题分析 151

6.4.2 客户端实现和分析 152

6.4.3 Mapper实现和分析 155

6.4.4 编译和运行 157

6.4.5 进一步探讨 159

6.5 一些注意点 159

6.6 小结 160

第7章 使用MAPREDUCE处理数据 161

7.1 MAPREDUCE编程模型 161

7.2 MAPREDUCE应用场景 163

7.3 初识ODPS MAPREDUCE 164

7.4 入门示例 165

7.4.1 准备工作 165

7.4.2 问题分析 165

7.4.3 代码实现和分析 166

7.4.4 运行和输出分析 169

7.4.5 扩展：使用Combiner？ 171

7.5 TOPK查询 173

7.5.1 场景和数据说明 174

7.5.2 问题分析 174

7.5.3 具体实现分析 175

7.5.4 运行和结果输出 179

7.5.5 扩展：忽略Stop Words 180

7.5.6 扩展：数据和任务统计 182

7.5.7 扩展： MR2模型 184

7.6 SQL和MAPREDUCE，用哪个？ 186

7.7 小结 186

第8章 MAPREDUCE进阶 187

8.1 再谈SHUFFLE & SORT 187

8.2 好友推荐 188

8.2.1 场景和数据说明 188

8.2.2 问题定义和分析 189

8.2.3 代码实现 190

8.3 LBS应用探讨：周边定位 193

8.3.1 场景和数据说明 193

8.3.2 问题定义和分析 194

8.3.3 代码实现和分析 195

8.3.4 运行和测试 199

8.4 MAPREDUCE调试 200

8.4.1 带bug的代码 200

8.4.2 通过本地模式调试 201

8.4.3 通过Counter调试 201

8.4.4 通过log调试 202

8.5 一些注意点 203

8.6 小结 204

第9章 机器学习算法 205

9.1 初识ODPS算法 205

9.2 入门示例 205

9.2.1 通过CLT统计分析 205

9.2.2 通过XLab统计分析 207

9.3 几个经典的算法 209

9.3.1 逻辑回归 209

9.3.2 随机森林 210

9.4 天猫品牌预测 211

9.4.1 逻辑回归 211

9.4.2 随机森林 218

9.4.3 脚本实现和自动化 228

9.4.4 进一步探讨 231

9.5 小结 232

第10章 使用SDK访问ODPS服务 233

10.1 主要的PACKAGE和接口 233

10.1.1 主要的Package 233

10.1.2 核心接口 233

10.2 入门示例 233

10.3 基于ECLIPSE插件开发 235

10.4 小结 236

第11章 ODPS账号、资源和数据管理 237

11.1 权限管理 237

11.1.1 账号授权 237

11.1.2 角色（Role）授权 240

11.1.3 ACL授权特点 241

11.1.4 简单的Policy授权 242

11.1.5 Role Policy 243

11.1.6 ACL授权和Policy授权小结 245

11.2 资源管理 245

11.2.1 Project内的资源管理 246

11.2.2 跨Project的资源共享 246

11.3 数据管理 247

11.3.1 表生命周期 248

11.3.2 数据归并（Merge） 249

11.3.3 数据保护（Project Protection） 249

11.4 小结 251

第12章 深入了解ODPS 253

12.1 体系架构 253

12.1.1 客户端 254

12.1.2 接入层 254

12.1.3 逻辑层 254

12.1.4 存储/计算层 255

12.2 执行流程 256

12.2.1 提交作业 256

12.2.2 运行作业 256

12.2.3 查询作业状态 256

12.2.4 执行逻辑图 256

12.3 底层数据存储 257

12.3.1 CFILE是什么 257

12.3.2 CFILE逻辑结构 257

12.4 内聚式框架 258

12.4.1 元数据 258

12.4.2 运维管理 258

12.4.3 多控制集群和多计算集群 259

12.5 跨集群复制 260

12.5.1 数据迁移 260

12.5.2 跨集群同步 261

12.6 小结 264

第13章 探索ODPS之美 265

13.1 R语言数据探索 265

13.1.1 安装和配置 265

13.1.2 一些基本操作 265

13.1.3 分析建模 265

13.2 实时流计算 267

13.3 图计算模型 268

13.4 准实时SQL 269

13.5 机器学习平台 270

附录一 ODPS消息认证机制 271

后记 274

作者简介

ODPS（Open Data Processing Service）是阿里巴巴自主研发的海量数据处理和分析的服务平台，主要应用于数据分析、海量数据统计、数据挖掘、机器学习和商业智能等领域。目前，ODPS不仅在阿里内部得到广泛应用，享有很好的口碑，正逐步走向第三方开放市场。

本书是学习和掌握ODPS的权威指南，作者来自阿里ODPS团队。全书共13章，主要内容包括：ODPS入门、整体架构、数据通道、MapReduce编程、SQL查询分析、安全，以及基于真实数据的各种场景分析实战。本书基于很多范例解析，通过在各种应用场景下的示例来说明如何通过ODPS完成各种需求，以期引导读者从零开始轻松掌握和使用ODPS。同时，本书不局限于示例分析，也致力于提供更多关于大数据处理的编程思想和经验分享。书中所有示例代码都可以在作者提供的网站上免费下载。

本书是学习和掌握ODPS的权威指南，作者来自阿里ODPS团队。

本书包括以下重要内容：

ODPS概览及其基本知识；

如何高效地使用ODPS SQL；

MapReduce编程和进阶应用；

ODPS机器学习算法；

ODPS权限、资源和数据管理；

深入了解ODPS体系结构和高级机制。

书中所有示例代码都可以通过https://github.com/duckrun/odps_book免费下载。

本书适合想要了解和使用ODPS的读者阅读学习，对于从事大数据存储和应用以及分布式计算的专业人士来说，也是很好的参考资料。

 ODPS权威指南下载 更多精彩书评