大数据挑战与NoSQL数据库技术

16.4 小结

16.3 淘宝大数据解决之道

16.2 Facebook对Hadoop以及HBase的应用

16.1 Instagram

第16章 企业应用

应用篇

参考文献

15.3 小结

15.2 Microsoft Velocity分布式缓存系统

15.1 Memcached缓存技术

第15章 分布式缓存系统

参考文献

14.4 小结

14.3 VoltDB

14.2 MySQL Cluster

14.1 NewSQL数据库简介

第14章 NewSQL数据库

参考文献

13.5 小结

13.4 Hive

13.3 Pig

13.2 HBase

13.1 Hadoop简介

第13章 基于Hadoop的数据管理系统

参考文献

12.6 小结

12.5 三种图存数据库的比较

12.4 OrientDB

12.3 GraphDB

12.2 Neo4j图存数据库

12.1 图存数据库的由来及基本概念

第12章 图存数据库

参考文献

11.4 小结

11.3 MongoDB数据库

11.2 CouchDB数据库

11.1 文档数据库简介

第11章 文档数据库

参考文献

10.5 小结

10.4 Cassandra数据库

10.3 Hypertable数据库

10.2 Bigtable数据库

10.1 Column-Oriented数据库简介

第10章 Column-Oriented数据库

参考文献

9.4 小结

9.3 Voldemort

9.2 Redis

9.1 key-value模型综述

第9章 key-value数据库

系统篇

参考文献

8.4 小结

8.3 分布式缓存的拓扑结构

8.2 分布式缓存的内部机制

8.1 分布式缓存简介

第8章 缓存技术

参考文献

7.7 小结

7.6 Hadoop压缩技术

7.5 Google数据压缩技术

7.4 Oracle混合列压缩

7.3 海量数据带来的3V挑战

7.2 传统压缩技术[1]

7.1 数据压缩原理

第7章 数据压缩技术

参考文献

6.4 小结

6.3 海量数据的故障发现与处理

6.2 海量数据复制的策略

6.1 海量数据复制的作用和代价

第6章 数据复制与容错技术

参考文献

5.7 小结

5.6 MapReduce vs Dryad

5.5 Dryad数据处理步骤

5.4 Dryad简介

5.3 MapReduce数据处理

5.2 MapReduce数据流

5.1 MapReduce简介

第5章 海量数据处理方法

参考文献

4.7 小结

4.6 放置策略

4.5 三种分区的比较

4.4 哈希分区

4.3 列表分区

4.2 范围分区

4.1 分区的意义

第4章 数据分区与放置策略

参考文献

3.6 小结

3.5 图形存储

3.4 文档存储

3.3 列式存储

3.2 键值存储

3.1 总论

第3章 数据存储模型

参考文献

2.5 小结

2.4 数据一致性实现技术

2.3 ACID与BASE

2.2 数据一致性模型

2.1 CAP理论

第2章 数据一致性理论

理论篇

参考文献

1.5 小结

1.4 大数据的处理和分析

1.3 大数据的存储和管理

1.2 大数据挑战

1.1 引子

第1章 概论

前言

版权信息

封面

封面

版权信息

前言

第1章 概论

1.1 引子

1.2 大数据挑战

1.3 大数据的存储和管理

1.4 大数据的处理和分析

1.5 小结

参考文献

理论篇

第2章 数据一致性理论

2.1 CAP理论

2.2 数据一致性模型

2.3 ACID与BASE

2.4 数据一致性实现技术

2.5 小结

参考文献

第3章 数据存储模型

3.1 总论

3.2 键值存储

3.3 列式存储

3.4 文档存储

3.5 图形存储

3.6 小结

参考文献

第4章 数据分区与放置策略

4.1 分区的意义

4.2 范围分区

4.3 列表分区

4.4 哈希分区

4.5 三种分区的比较

4.6 放置策略

4.7 小结

参考文献

第5章 海量数据处理方法

5.1 MapReduce简介

5.2 MapReduce数据流

5.3 MapReduce数据处理

5.4 Dryad简介

5.5 Dryad数据处理步骤

5.6 MapReduce vs Dryad

5.7 小结

参考文献

第6章 数据复制与容错技术

6.1 海量数据复制的作用和代价

6.2 海量数据复制的策略

6.3 海量数据的故障发现与处理

6.4 小结

参考文献

第7章 数据压缩技术

7.1 数据压缩原理

7.2 传统压缩技术[1]

7.3 海量数据带来的3V挑战

7.4 Oracle混合列压缩

7.5 Google数据压缩技术

7.6 Hadoop压缩技术

7.7 小结

参考文献

第8章 缓存技术

8.1 分布式缓存简介

8.2 分布式缓存的内部机制

8.3 分布式缓存的拓扑结构

8.4 小结

参考文献

系统篇

第9章 key-value数据库

9.1 key-value模型综述

9.2 Redis

9.3 Voldemort

9.4 小结

参考文献

第10章 Column-Oriented数据库

10.1 Column-Oriented数据库简介

10.2 Bigtable数据库

10.3 Hypertable数据库

10.4 Cassandra数据库

10.5 小结

参考文献

第11章 文档数据库

11.1 文档数据库简介

11.2 CouchDB数据库

11.3 MongoDB数据库

11.4 小结

参考文献

第12章 图存数据库

12.1 图存数据库的由来及基本概念

12.2 Neo4j图存数据库

12.3 GraphDB

12.4 OrientDB

12.5 三种图存数据库的比较

12.6 小结

参考文献

第13章 基于Hadoop的数据管理系统

13.1 Hadoop简介

13.2 HBase

13.3 Pig

13.4 Hive

13.5 小结

参考文献

第14章 NewSQL数据库

14.1 NewSQL数据库简介

14.2 MySQL Cluster

14.3 VoltDB

14.4 小结

参考文献

第15章 分布式缓存系统

15.1 Memcached缓存技术

15.2 Microsoft Velocity分布式缓存系统

15.3 小结

参考文献

应用篇

第16章 企业应用

16.1 Instagram

16.2 Facebook对Hadoop以及HBase的应用

16.3 淘宝大数据解决之道

16.4 小结