weixin_42898914的博客

目录 推荐序　　xi 译者序　　xiv 序　　xvi 前言　　xvii 第1章　Spark数据分析导论　　1 1.1　Spark是什么　　1 1.2　一个大一统的软件栈　　2 1.2.1　Spark Core　　2 1.2.2　Spark SQL　　3 1.2.3　Spark Streaming　　3 1.2.4　MLlib　　3 1.2.5　GraphX　　3 1.2.6　集群管理器　　4 1.3　Spark的用户和用途　　4 1.3.1　数据科学任务　　4 1.3.2　数据处理应用　　5 1.4　Spark简史　　5 1.5　Spark的版本和发布　　6 1.6　Spark的存储层次　　6 第2章　Spark下载与入门　　7 2.1　下载Spark　　7 2.2　Spark中Python和Scala的shell　　9 2.3　Spark 核心概念简介　　12 2.4　独立应用　　14 2.4.1　初始化SparkContext　　15 2.4.2　构建独立应用　　16 2.5　总结　　19 第3章　RDD编程　　21 3.1　RDD基础　　21 3.2　创建RDD　　23 3.3　RDD操作　　24 3.3.1　转化操作　　24 3.3.2　行动操作　　26 3.3.3　惰性求值　　27 3.4　向Spark传递函数　　27 3.4.1　Python　　27 3.4.2　Scala　　28 3.4.3　Java　　29 3.5　常见的转化操作和行动操作　　30 3.5.1　基本RDD　　30 3.5.2　在不同RDD类型间转换　　37 3.6　持久化( 缓存)　　39 3.7　总结　　40 第4章　键值对操作　　41 4.1　动机　　41 4.2　创建Pair RDD　　42 4.3　Pair RDD的转化操作　　42 4.3.1　聚合操作　　45 4.3.2　数据分组　　49 4.3.3　连接　　50 4.3.4　数据排序　　51 4.4　Pair RDD的行动操作　　52 4.5　数据分区（进阶）　　52 4.5.1　获取RDD的分区方式　　55 4.5.2　从分区中获益的操作　　56 4.5.3　影响分区方式的操作　　57 4.5.4　示例：PageRank　　57 4.5.5　自定义分区方式　　59 4.6　总结　　61 第5章　数据读取与保存　　63 5.1　动机　　63 5.2　文件格式　　64 5.2.1　文本文件　　64 5.2.2　JSON　　66 5.2.3　逗号分隔值与制表符分隔值　　68 5.2.4　SequenceFile　　71 5.2.5　对象文件　　73 5.2.6　Hadoop输入输出格式　　73 5.2.7　文件压缩　　77 5.3　文件系统　　78 5.3.1　本地/“常规”文件系统　　78 5.3.2　Amazon S3　　78 5.3.3　HDFS　　79 5.4　Spark SQL中的结构化数据　　79 5.4.1　Apache Hive　　80 5.4.2　JSON　　80 5.5　数据库　　81 5.5.1　Java数据库连接　　81 5.5.2　Cassandra　　82 5.5.3　HBase　　84 5.5.4　Elasticsearch　　85 5.6　总结　　86 第6章　Spark编程进阶　　87 6.1　简介　　87 6.2　累加器　　88 6.2.1　累加器与容错性　　90 6.2.2　自定义累加器　　91 6.3　广播变量　　91 6.4　基于分区进行操作　　94 6.5　与外部程序间的管道　　96 6.6　数值RDD 的操作　　99 6.7　总结　　100 第7章　在集群上运行Spark　　101 7.1　简介　　101 7.2　Spark运行时架构　　101 7.2.1　驱动器节点　　102 7.2.2　执行器节点　　103 7.2.3　集群管理器　　103 7.2.4　启动一个程序　　104 7.2.5　小结　　104 7.3　使用spark-submit 部署应用　　105 7.4　打代码与依赖　　107 7.4.1　使用Maven构建的用Java编写的Spark应用　　108 7.4.2　使用sbt构建的用Scala编写的Spark应用　　109 7.4.3　依赖冲突　　 111 7.5　Spark应用内与应用间调度　　111 7.6　集群管理器　　112 7.6.1　独立集群管理器　　112 7.6.2　Hadoop YARN　　115 7.6.3　Apache Mesos　　116 7.6.4　Amazon EC2　　117 7.7　选择合适的集群管理器　　120 7.8　总结　　121 第8章　Spark调优与调试　　123 8.1　使用SparkConf配置Spark　　123 8.2　Spark执行的组成部分：作业、任务和步骤　　127 8.3　查找信息　　131 8.3.1　Spark网页用户界面　　131 8.3.2　驱动器进程和执行器进程的日志　　134 8.4　关键性能考量　　135 8.4.1　并行度　　135 8.4.2　序列化格式　　136 8.4.3　内存管理　　137 8.4.4　硬件供给　　138 8.5　总结　　139 第9章　Spark SQL　　141 9.1　连接Spark SQL　　142 9.2　在应用中使用Spark SQL　　144 9.2.1　初始化Spark SQL　　144 9.2.2　基本查询示例　　145 9.2.3　SchemaRDD　　146 9.2.4　缓存　　148 9.3　读取和存储数据　　149 9.3.1　Apache Hive　　149 9.3.2　Parquet　　150 9.3.3　JSON　　150 9.3.4　基于RDD　　152 9.4　JDBC/ODBC服务器　　153 9.4.1　使用Beeline　　155 9.4.2　长生命周期的表与查询　　156 9.5　用户自定义函数　　156 9.5.1　Spark SQL UDF　　156 9.5.2　Hive UDF　　157 9.6　Spark SQL性能　　158 9.7　总结　　159 第10章　Spark Streaming　　161 10.1　一个简单的例子　　162 10.2　架构与抽象　　164 10.3　转化操作　　167 10.3.1　无状态转化操作　　167 10.3.2　有状态转化操作　　169 10.4　输出操作　　173 10.5　输入源　　175 10.5.1　核心数据源　　175 10.5.2　附加数据源　　176 10.5.3　多数据源与集群规模　　179 10.6　24/7不间断运行　　180 10.6.1　检查点机制　　180 10.6.2　驱动器程序容错　　181 10.6.3　工作节点容错　　182 10.6.4　接收器容错　　182 10.6.5　处理保证　　183 10.7　Streaming用户界面　　183 10.8　性能考量　　184 10.8.1　批次和窗口大小　　184 10.8.2　并行度　　184 10.8.3　垃圾回收和内存使用　　185 10.9　总结　　185 第11章　基于MLlib的机器学习　　187 11.1　概述　　187 11.2　系统要求　　188 11.3　机器学习基础　　189 11.4　数据类型　　192 11.5　算法　　194 11.5.1　特征提取　　194 11.5.2　统计　　196 11.5.3　分类与回归　　197 11.5.4　聚类　　202 11.5.5　协同过滤与推荐　　203 11.5.6　降维　　204 11.5.7　模型评估　　206 11.6　一些提示与性能考量　　206 11.6.1　准备特征　　206 11.6.2　配置算法　　207 11.6.3　缓存RDD以重复使用　　207 11.6.4　识别稀疏程度　　207 11.6.5　并行度　　207 11.7　流水线API　　208 11.8　总结　　209 作者简介　　210 封面介绍　　210