Spark实战(第2版)

图书标准信息

• 作者 [法]吉恩·乔治·佩林（Jean-Georges Perrin） 著；林赐 译
• 出版社 清华大学出版社
• 出版时间 2022-03
• 版次 1
• ISBN 9787302596783
• 定价 99.80元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 784页
• 字数 817千字

【内容简介】

用Java编写的Spark应用程序； Spark应用架构； 提取文件、数据库、数据流和Elasticsearch的数据； 使用Spark SOL查询分布式数据集

【作者简介】

Jean-Georges Perrin是-位经验丰富的数据和软件架构师。他是法国的第一位IBM Champion,并连续12年获奖，成为终身IBM Chempion。Jean-Georges Perrin 对软件工程和数据的各个方面充满热情。最新项目促使他转向分布式的数据工程，在此项目中，他在混合云环境中广泛使用Apache Spark、Java和其他工具。他很自豪地成为法国第一个公认的IBM Champion，并连续12年获奖。作为获奖的数据和软件工程专家，现在，他在全球范围内都开展了业务，但重心在他所居住的美国。Jean-Georges是资深的会议演讲者和参与者，他以书面或在线媒体的形式发表文章，分享他在IT行业超过25年的经验。

【目录】

第Ⅰ部分  通过示例讲解理论

第1章  Spark介绍   3

1.1  Spark简介及其作用   4

1.1.1  什么是Spark   4

1.1.2  Spark神力的四个支柱   5

1.2  如何使用Spark   7

1.2.1  数据处理/工程场景中的Spark   7

1.2.2  数据科学场景中的Spark   8

1.3  使用Spark，能做些什么   9

1.3.1  使用Spark预测NC餐饮行业的餐馆质量   10

1.3.2  Spark允许Lumeris进行快速数据传输   10

1.3.3  Spark分析CERN的设备日志   10

1.3.4  其他用例   11

1.4  为什么你应该喜欢数据帧   11

1.4.1  从Java角度了解数据帧   11

1.4.2  从RDBMS角度理解数据帧   12

1.4.3  数据帧的图形表示   12

1.5  第一个示例   13

1.5.1  推荐软件   13

1.5.2  下载代码   13

1.5.3  运行第一个应用程序   14

1.5.4  第一份代码   15

1.6  小结   16

第2章  架构和流程   17

2.1  构建思维模型   17

2.2  使用Java代码构建思维模型   18

2.3  运行应用程序   21

2.3.1  连接到主机   21

2.3.2  加载或提取CSV文件   22

2.3.3  转换数据   25

2.3.4  将数据帧中完成的工作保存到数据库中   26

2.4  小结   29

第3章  数据帧的重要作用   31

3.1  数据帧在Spark中的基本作用   32

3.1.1  数据帧的组织   32

3.1.2  不变性并非贬低之词   33

3.2  通过示例演示数据帧的使用   35

3.2.1  简单提取CSV后的数据帧   36

3.2.2  数据存储在分区中   40

3.2.3  挖掘模式   41

3.2.4  提取JSON后的数据帧   43

3.2.5  合并两个数据帧   48

3.3  数据帧Dataset   53

3.3.1  重用POJO   53

3.3.2  创建字符串数据集   54

3.3.3  来回转换   55

3.4  数据帧的祖先：RDD   60

3.5  小结   61

第4章  Spark的“惰性”本质   63

4.1  现实中懒惰但高效的示例   64

4.2  懒惰但高效的Spark示例   65

4.2.1  查看数据转换和数据操作的结果   65

4.2.2  数据转换的过程，逐步进行   66

4.2.3  数据转换/操作流程的后台代码   68

4.2.4  在182毫秒内创建700多万个数据点的奥秘   71

4.2.5  操作计时背后的奥秘   72

4.3  与RDBMS和传统应用程序进行比较   76

4.3.1  使用青少年生育率数据集   76

4.3.2  分析传统应用程序和Spark应用程序之间的区别   77

4.4  对于以数据为中心的应用程序而言，Spark的表现出乎意料   78

4.5  Catalyst是应用程序的催化器   79

4.6  小结   81

第5章  构建一个用于部署的简单应用程序   83

5.1  无数据提取的示例   83

5.1.1  计算π   84

5.1.2  计算近似值π的代码   85

5.1.3  Java中的lambda函数是什么   90

5.1.4  使用lambda函数估算π   92

5.2  与Spark交互   93

5.2.1  本地模式   94

5.2.2  集群模式   95

5.2.3  Scala和Python的交互模式   97

5.3  小结   102

第6章  部署简单的应用程序   105

6.1  示例之外：组件的作用   106

6.1.1  快速浏览组件及其之间的交互   107

6.1.2  Spark架构的故障排除技巧   110

6.1.3  知识拓展   110

6.2  构建集群   111

6.2.1  如何构建集群   111

6.2.2  设置环境   112

6.3  构建应用程序，在集群上运行   115

6.3.1  构建应用程序的超级JAR   115

6.3.2  使用Git和Maven构建应用程序   117

6.4  在集群上运行应用程序   119

6.4.1  提交超级JAR   119

6.4.2  运行应用程序   120

6.4.3  分析Spark的用户界面   121

6.5  小结   122

第Ⅱ部分  数据提取

第7章  从文件中提取数据   125

7.1  解析器的常见行为   126

7.2  从CSV中提取数据(比较复杂)   126

7.2.1  预期输出   128

7.2.2  代码   128

7.3  使用已知模式提取CSV   129

7.3.1  预期输出   130

7.3.2  代码   130

7.4  提取JSON文件   132

7.4.1  预期输出   134

7.4.2  代码   134

7.5  提取多行JSON文件   135

7.5.1  预期输出   137

7.5.2  代码   137

7.6  提取XML文件   138

7.6.1  预期输出   140

7.6.2  代码   140

7.7  提取文本文件   142

7.7.1  预期输出   143

7.7.2  代码   143

7.8  用于大数据的文件格式   144

7.8.1  传统文件格式的问题   144

7.8.2  Avro是基于模式的序列化格式   145

7.8.3  ORC是一种列式存储格式   145

7.8.4  Parquet也是一种列式存储格式   146

7.8.5  比较Avro、ORC和Parquet   146

7.9  提取Avro、ORC和Parquet文件   146

7.9.1  提取Avro   146

7.9.2  提取ORC   148

7.9.3  提取Parquet   150

7.9.4  用于提取Avro、ORC或Parquet的参考表格   151

7.10  小结   151

第8章  从数据库中提取数据   153

8.1  从关系数据库中提取数据   154

8.1.1  数据库连接备忘录   154

8.1.2  了解示例中使用的数据   155

8.1.3  预期输出   156

8.1.4  代码   157

8.1.5  可替代的代码   159

8.2  dialect的作用   160

8.2.1  什么是dialect   160

8.2.2  Spark提供的JDBC dialect   161

8.2.3  构建自定义dialect   161

8.3  高级查询和提取   163

8.3.1  使用WHERE子句进行过滤   163

8.3.2  在数据库中连接数据   166

8.3.3  执行数据提取和分区   168

8.3.4  高级功能总结   171

8.4  从Elasticsearch中提取数据   171

8.4.1  数据流   171

8.4.2  Spark提取的NYC餐馆数据集   172

8.4.3  从 Elasticsearch中提取NYC餐馆数据集的代码   173

8.5  小结   175

第9章  数据提取进阶：寻找数据源与构建自定义数据源   177

9.1  什么是数据源   179

9.2  直接连接数据源的好处   179

9.2.1  临时文件   180

9.2.2  数据质量脚本   181

9.2.3  按需提供数据   181

9.3  查找Spark软件包中的数据源   181

9.4  构建自己的数据源   181

9.4.1  示例项目的范围   182

9.4.2  数据源API和选项   183

9.5  幕后工作：构建数据源本身   185

9.6  使用注册器文件和广告器类   186

9.7  理解数据和模式之间的关系   188

9.7.1  数据源构建关系   189

9.7.2  关系内部   191

9.8  使用JavaBean构建模式   194

9.9  使用实用程序构建数据帧的神奇方法   196

9.10  其他类   201

9.11  小结   201

第10章  提取结构化流数据   203

10.1  什么是流数据   204

10.2  创建首个流数据   205

10.2.1  生成文件流数据   206

10.2.2  消费记录   208

10.2.3  获取记录，而非数据行   213

10.3  从网络流数据中提取数据   214

10.4  处理多个流数据   216

10.5  区分离散化流数据和结构化流数据   221

10.6  小结   221

第III部分  转换数据

第11章  使用SQL   225

11.1  使用Spark SQL   225

11.2  本地视图与全局视图之间的区别   229

11.3  混合使用数据帧API和Spark SQL   230

11.4  不要删除数据   233

11.5  进一步了解SQL   235

11.6  小结   235

第12章  转换数据   237

12.1  数据转换是什么   238

12.2  在记录层面进行数据转换的过程和示例   238

12.2.1  数据发现，了解数据的复杂性   240

12.2.2  数据映射，绘制过程   241

12.2.3  编写转换代码   244

12.2.4  审查数据转换，确保质量流程   249

12.2.5  如何排序   251

12.2.6  结束Spark数据转换的首次演示   251

12.3  连接数据集   251

12.3.1  仔细查看要连接的数据集   252

12.3.2  构建各县的高等教育机构列表   253

12.3.3  执行连接操作   258

12.4  执行更多的数据转换   263

12.5  小结   263

第13章  转换整个文档   265

13.1  转换整个文档及其结构   265

13.1.1  展平JSON文档   266

13.1.2  构建嵌套文档，用于数据传输和存储   270

13.2  静态函数背后的魔力   274

13.3  执行更多的数据转换   275

13.4  小结   275

第14章  使用自定义函数扩展数据转换   277

14.1  扩展Apache Spark   278

14.2  注册和调用UDF   279

14.2.1  在Spark中注册UDF   281

14.2.2  将UDF与数据帧API结合起来使用   282

14.2.3  使用SQL处理UDF   283

14.2.4  实现UDF   284

14.2.5  编写服务代码   285

14.3  使用UDF，确保数据高质量   287

14.4  考虑UDF的约束   289

14.5  小结   289

第15章  聚合数据   291

15.1  使用Spark聚合数据   291

15.1.1  简单回顾数据聚合   292

15.1.2  使用Spark执行基本的数据聚合   294

15.2  使用实时数据执行数据聚合   296

15.2.1  准备数据集   297

15.2.2  聚合数据，更好地了解学校   301

15.3  使用UDAF构建自定义的聚合操作   306

15.4  小结   311

第IV部分  百尺竿头，更进一步

第16章  缓存和检查点：增强Spark的性能   315

16.1  使用缓存和检查点可提高性能   315

16.1.1  Spark缓存的用途   317

16.1.2  Spark检查点的妙用   318

16.1.3  使用缓存和检查点   318

16.2  缓存实战   326

16.3  有关性能优化的知识拓展   335

16.4  小结   335

第17章  导出数据，构建完整数据管道   337

17.1  导出数据的主要概念   337

17.1.1  使用NASA数据集构建管道   338

17.1.2  将列转换为日期时间(datetime)   341

17.1.3  将置信度百分比转换为置信度等级   341

17.1.4  导出数据   342

17.1.5  导出数据：实际发生了什么   344

17.2  Delta Lake：使用系统核心的数据库   346

17.2.1  理解需要数据库的原因   346

17.2.2  在数据管道中使用Delta Lake   347

17.2.3  消费来自Delta Lake的数据   351

17.3  从Spark访问云存储服务   353

17.4  小结   354

第18章  探索部署约束：了解生态系统   355

18.1  使用YARN、Mesos和Kubernetes管理资源   356

18.1.1  使用内置的独立模式管理资源   356

18.1.2  在Hadoop环境中，使用YARN管理资源   357

18.1.3  Mesos是独立的资源管理器   358

18.1.4  Kubernetes编排容器   360

18.1.5  选择合适的资源管理器   360

18.2  与Spark共享文件   361

18.2.1  访问文件中包含的数据   362

18.2.2  通过分布式文件系统共享文件   362

18.2.3  访问共享驱动器或文件服务器上的文件   363

18.2.4  使用文件共享服务分发文件   364

18.2.5  访问Spark文件的其他选项   365

18.2.6  用于与Spark共享文件的混合解决方案   365

18.3  确保Spark应用程序的安全   365

18.3.1  保护基础架构的网络组件   366

18.3.2  保护Spark磁盘的使用   367

18.4  小结   367

附录部分内容通过封底二维码下载获取

附录A  安装Eclipse   369

附录B  安装Maven   375

附录C  安装Git   379

附录D  下载代码，启用Eclipse   381

附录E  企业数据的历史   387

附录F  有关关系数据库的帮助信息   391

附录G  静态函数使数据转换变得容易   397

附录H  简略的Maven备忘单   407

附录I  数据转换和数据操作的

参考资料   411

附录J  Scala简介   421

附录K  在生产环境中安装Spark，以及一些提示   423

附录L 关于数据提取的参考资料   435

附录M  关于连接的参考资料   447

附录N  安装Elasticsearch和示例数据   459

附录O 生成流数据   465

附录P  有关流数据的参考资料   469

附录Q  有关导出数据的参考资料   479

附录R  遇到困难，寻找帮助   487