Spark大數據技術與應用（簡體書）

本書是關于大數據和Spark的實用手冊。它將助你學習如何用Spark來完成很多大數據分析任務，其中覆蓋了高效利用Spark所需要知道的重要主題：如何使用SparkShell進行交互式數據分析、如何編寫Spark應用、如何在Spark中對大規模數據進行交互分析、如何使用SparkStreaming處理高速數據流、如何使用Spark進行機器學習、如何使用Spark進行圖處理如何監控Spark應用等。

許桂秋，計算機學士，工商管理碩士。 2009年-2012年，中國石油天然氣股份有限公司，負責項目管理工作，企業內部高級講師； 2012年-2015年，曙光信息產業股份有限公司，負責項目管理與企業內部培訓工作，企業內部高級講師； 2016年至今，曙光瑞翼教育合作中心，教學運營總監，負責各高校合作項目部的具體運營管理及指導工作。

Spark提供高級API，應用開發者之用專注計算機本身不用關注集群本身。Spark計算速度快，支持交互式計算和復雜計算。Spark是一個通用引擎，可以完成各種運算。

第1章 Spark簡介與運行原理　1
1.1　Spark是什麼　1
1.1.1　Spark的版本發展歷程　2
1.1.2　Spark與Hadoop的區別與聯系　2
1.1.3　Spark的應用場景　3
1.2　Spark的生態系統　3
1.3　Spark的架構與原理　4
1.3.1　Spark架構設計　4
1.3.2　Spark作業運行流程　5
1.3.3　Spark分布式計算流程　6
1.4　Spark 2.X新特性　6
1.4.1　精簡的API　6
1.4.2　Spark作為編譯器　7
1.4.3　智能化程度　7
1.5　小結　7
習題　8
第2章　Spark的環境搭建　9
2.1　環境搭建前的準備　9
2.2　Spark相關配置　13
2.2.1　安裝SSH　13
2.2.2　SSH免密碼登錄　14
2.2.3　修改訪問權限　15
2.2.4　修改profile文件　15
2.2.5　修改Spark配置文件　16
2.3　Spark集群啟動與關閉　17
2.4　Spark應用提交到集群　18
2.5　Spark Web監控頁面　19
2.6　小結　20
習題　20
第3章　使用Python開發Spark應用　21
3.1　Python編程語言　21
3.1.1　Python語言介紹　21
3.1.2　PySpark是什麼　22
3.2　PySpark的啟動與日志設置　22
3.2.1　PySpark的啟動方式　22
3.2.2　日志輸出內容控制　24
3.3　PySpark開發包的安裝　24
3.3.1　使用pip命令安裝　24
3.3.2　使用離線包安裝　25
3.4　使用PyCharm編寫Spark應用　25
3.4.1　PyCharm的安裝與基本配置　25
3.4.2　編寫Spark應用　27
3.5　小結　29
習題　30
第4章　Spark RDD　31
4.1　彈性分布式數據集　31
4.1.1　RDD的定義　31
4.1.2　RDD的特點　32
4.1.3　RDD的創建　33
4.1.4　RDD的操作　34
4.2　transform算子　34
4.2.1　map轉換　34
4.2.2　flatMap轉換　35
4.2.3　filter轉換　35
4.2.4　union轉換　35
4.2.5　intersection轉換　36
4.2.6　distinct轉換　36
4.2.7　sortBy轉換　36
4.2.8　mapPartitions轉換　36
4.2.9　mapPartitionsWithIndex轉換　37
4.2.10　partitionBy轉換　37
4.3　action算子　37
4.3.1　reduce(f)動作　37
4.3.2　collect( )動作　38
4.3.3　count( )動作　38
4.3.4　take(num)動作　39
4.3.5　first( )動作　39
4.3.6　top(num)動作　39
4.3.7　saveAsTextFile( )動作　39
4.3.8　foreach(f)動作　40
4.3.9　foreachPartition(f)動作　40
4.4　RDD Key-Value轉換算子　41
4.4.1　mapValues(f)操作　41
4.4.2　flatMapValues(f)操作　41
4.4.3　combineByKey操作　41
4.4.4　reduceByKey操作　42
4.4.5　groupByKey操作　42
4.4.6　sortByKey操作　43
4.4.7　keys( )操作　43
4.4.8　values( )操作　43
4.4.9　join操作　43
4.4.10　leftOuterJoin操作　43
4.4.11　rightOuterJoin操作　44
4.5　RDD Key-Value動作運算　44
4.5.1　collectAsMap( )操作　44
4.5.2　countByKey( )操作　44
4.6　共享變量　45
4.6.1　累加器　45
4.6.2　廣播變量　45
4.7　依賴關系　47
4.7.1　血統　47
4.7.2　寬依賴與窄依賴　47
4.7.3　shuffle　48
4.7.4　DAG的生成　49
4.8　Spark RDD的持久化　50
4.8.1　持久化使用方法　50
4.8.2　持久化存儲等級　51
4.8.3　檢查點　52
4.9　小結　52
習題　52
第5章　DataFrame與Spark SQL　54
5.1　DataFrame　54
5.1.1　DataFrame介紹　54
5.1.2　DataFrame創建　55
5.2　Spark SQL　56
5.2.1　Spark SQL介紹　56
5.2.2　Spark SQL的執行原理　57
5.2.3　Spark SQL的創建　58
5.3　Spark SQL、DataFrame的常用操作　61
5.3.1　字段計算　61
5.3.2　條件查詢　62
5.3.3　數據排序　63
5.3.4　數據去重　63
5.3.5　數據分組統計　64
5.3.6　數據連接　65
5.3.7　數據繪圖　67
5.4　小結　68
習題　69
第6章　Spark Streaming　70
6.1　Spark Streaming介紹　70
6.1.1　什麼是Spark Streaming　70
6.1.2　Spark Streaming工作原理　70
6.2　流數據加載　71
6.2.1　初始化StreamingContext　71
6.2.2　Discretized Stream離散化流　71
6.2.3　Spark Streaming數據源　72
6.3　DStream輸出操作　73
6.4　DStream轉換操作　75
6.4.1　map轉換　75
6.4.2　flatMap轉換　76
6.4.3　filter轉換　76
6.4.4　reduceByKey轉換　77
6.4.5　count轉換　77
6.4.6　updateStateByKey轉換　77
6.4.7　其他轉換　78
6.5　DataFrame與SQL操作　78
6.6　實時WordCount實驗　79
6.7　小結　81
習題　81
第7章　Spark機器學習庫　82
7.1　Spark機器學習庫　82
7.1.1　機器學習簡介　82
7.1.2　Spark機器學習庫的構成　82
7.2　準備數據　83
7.2.1　獲取數據　83
7.2.2　數據預處理　84
7.2.3　數據探索　84
7.3　使用MLlib機器學習庫　85
7.3.1　搭建環境　85
7.3.2　加載數據　86
7.3.3　探索數據　89
7.3.4　預測嬰兒生存機會　92
7.4　使用ML機器學習庫　93
7.4.1　轉換器、評估器和管道　94
7.4.2　預測嬰兒生存率　95
7.5　小結　97
習題　97
第8章　GraphFrames圖計算　98
8.1　圖　98
8.1.1　度　99
8.1.2　路徑和環　99
8.1.3　二分圖　100
8.1.4　多重圖和偽圖　100
8.2　GraphFrames介紹　101
8.2.1　應用背景　101
8.2.2　GraphFrames庫　102
8.2.3　使用GraphFrames庫　102
8.3　GraphFrame編程模型　102
8.3.1　GraphFrame實例　103
8.3.2　視圖和圖操作　104
8.3.3　模式發現　105
8.3.4　圖加載和保存　105
8.4　GraphFrames實現的算法　106
8.4.1　廣度優先搜索　106
8.4.2　最短路徑　106
8.4.3　三角形計數　107
8.4.4　連通分量　107
8.4.5　標簽傳播算法　108
8.4.6　PageRank算法　109
8.5　基于GraphFrames的網頁排名　110
8.5.1　準備數據集　110
8.5.2　創建GraphFrames　111
8.5.3　使用PageRank進行網頁排名　111
8.6　小結　111
習題　111
第9章　出租車數據分析　112
9.1　數據處理　112
9.2　數據分析　113
9.2.1　創建DataFrame　113
9.2.2　KMeans聚類分析　114
9.3　百度地圖可視化　115
9.3.1　申請地圖key　115
9.3.2　聚類結果可視化　116
9.4　小結　117
第10章　圖書推薦系統　118
10.1　Django簡介　118
10.1.1　Django是什麼　118
10.1.2　ORM模型　119
10.1.3　Django模板　119
10.1.4　View視圖　120
10.2　Django項目搭建　121
10.2.1　創建項目　121
10.2.2　創建應用　122
10.2.3　創建模型　122
10.3　推薦引擎設計　124
10.3.1　導入數據　124
10.3.2　訓練模型　126
10.3.3　圖書推薦　127
10.4　系統設計與實現　128
10.4.1　Bootstrap介紹與使用　128
10.4.2　Redis數據庫安裝與使用　129
10.4.3　視圖與路由設計　130
10.5　小結　132