Spark大数据处理：技术、应用与性能优化

图书标准信息

• 作者 高彦杰 著
• 出版社 机械工业出版社
• 出版时间 2014-11
• 版次 1
• ISBN 9787111483861
• 定价 59.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 255页
• 丛书 大数据技术丛书

【内容简介】

　　作为一个基于内存计算的大数据并行计算框架，Spark不仅很好地解决了数据的实时处理问题，而且保证了高容错性和高可伸缩性。具体来讲，它有如下优势：
　　打造全栈多计算范式的高效数据流水线
　　轻量级快速处理
　　易于使用，支持多语言
　　与HDFS等存储层兼容
　　社区活跃度高
　　……

　　Spark已经在全球范围内广泛使用，无论是Intel、Yahoo!、Twitter、阿里巴巴、百度、腾讯等国际互联网巨头，还是一些尚处于成长期的小公司，都在使用Spark。本书作者结合自己在微软和IBM实践Spark的经历和经验，编写了这本书。站着初学者的角度，不仅系统、全面地讲解了Spark的各项功能及其使用方法，而且较深入地探讨了Spark的工作机制、运行原理以及BDAS生态系统中的其他技术，同时还有一些可供操作的案例，能让没有经验的读者迅速掌握Spark。更为重要的是，本书还对Spark的性能优化进行了探讨。

【作者简介】

　　高彦杰，毕业于中国人民大学，就职于IBM，精通Hadoop相关技术，较早接触并使用Spark，对Spark应用开发、Spark系统的运维和测试比较熟悉，深度阅读了Spark的源代码，了解Spark的运行机制，擅长Spark的查询优化。

【目录】

前　言
第1章　Spark简介  1
1.1　Spark是什么  1
1.2　Spark生态系统BDAS  4
1.3　Spark架构  6
1.4　Spark分布式架构与单机多核
架构的异同  9
1.5　Spark的企业级应用  10
1.5.1　Spark在Amazon中的应用  11
1.5.2　Spark在Yahoo!的应用  15
1.5.3　Spark在西班牙电信的应用  17
1.5.4　Spark在淘宝的应用  18
1.6　本章小结  20
第2章　Spark集群的安装与部署  21
2.1　Spark的安装与部署  21
2.1.1　在Linux集群上安装与配置Spark  21
2.1.2　在Windows上安装与配置Spark  30
2.2　Spark集群初试  33
2.3　本章小结  35
第3章　Spark计算模型  36
3.1　Spark程序模型  36
3.2　弹性分布式数据集  37
3.2.1　RDD简介  38
3.2.2　RDD与分布式共享内存的异同  38
3.2.3　Spark的数据存储  39
3.3　Spark算子分类及功能  41
3.3.1　Value型Transformation算子  42
3.3.2　Key-Value型Transformation算子  49
3.3.3　Actions算子  53
3.4　本章小结  59
第4章　Spark工作机制详解  60
4.1　Spark应用执行机制  60
4.1.1　Spark执行机制总览  60
4.1.2　Spark应用的概念  62
4.1.3　应用提交与执行方式  63
4.2　Spark调度与任务分配模块  65
4.2.1　Spark应用程序之间的调度  66
4.2.2　Spark应用程序内Job的调度  67
4.2.3　Stage和TaskSetManager调度方式  72
4.2.4　Task调度  74
4.3　Spark I/O机制  77
4.3.1　序列化  77
4.3.2　压缩  78
4.3.3　Spark块管理  80
4.4　Spark通信模块  93
4.4.1　通信框架AKKA  94
4.4.2　Client、Master和Worker间的通信  95
4.5　容错机制  104
4.5.1　Lineage机制  104
4.5.2　Checkpoint机制  108
4.6　Shuffle机制  110
4.7　本章小结  119
第5章　Spark开发环境配置及流程  120
5.1　Spark应用开发环境配置  120
5.1.1　使用Intellij开发Spark程序  120
5.1.2　使用Eclipse开发Spark程序  125
5.1.3　使用SBT构建Spark程序  129
5.1.4　使用Spark Shell开发运行Spark程序  130
5.2　远程调试Spark程序  130
5.3　Spark编译  132
5.4　配置Spark源码阅读环境  135
5.5　本章小结  135
第6章　Spark编程实战  136
6.1　WordCount  136
6.2　Top K  138
6.3　中位数  140
6.4　倒排索引  141
6.5　CountOnce  143
6.6　倾斜连接  144
6.7　股票趋势预测  146
6.8　本章小结  153
第7章　Benchmark使用详解  154
7.1　Benchmark简介  154
7.1.1　Intel Hibench与Berkeley BigDataBench  155
7.1.2　Hadoop GridMix  157
7.1.3　Bigbench、BigDataBenchmark与TPC-DS  158
7.1.4　其他Benchmark  161
7.2　Benchmark的组成  162
7.2.1　数据集  162
7.2.2　工作负载  163
7.2.3　度量指标  167
7.3　Benchmark的使用  168
7.3.1　使用Hibench  168
7.3.2　使用TPC-DS  170
7.3.3　使用BigDataBench  172
7.4　本章小结  176
第8章　BDAS简介  177
8.1　SQL on Spark  177
8.1.1　使用Spark SQL的原因  178
8.1.2　Spark SQL架构分析  179
8.1.3　Shark简介  182
8.1.4　Hive on Spark  184
8.1.5　未来展望  185
8.2　Spark Streaming  185
8.2.1　Spark Streaming简介  186
8.2.2　Spark Streaming架构  188
8.2.3　Spark Streaming原理剖析  189
8.2.4　Spark Streaming调优  198
8.2.5　Spark Streaming 实例  198
8.3　GraphX  205
8.3.1　GraphX简介  205
8.3.2　GraphX的使用  206
8.3.3　GraphX架构  209
8.3.4　运行实例  211
8.4　MLlib  215
8.4.1　MLlib简介  217
8.4.2　MLlib的数据存储  219
8.4.3　数据转换为向量（向量空间模型VSM）  222
8.4.4　MLlib中的聚类和分类  223
8.4.5　算法应用实例  228
8.4.6　利用MLlib进行电影推荐  230
8.5　本章小结  237
第9章　Spark性能调优  238
9.1　配置参数  238
9.2　调优技巧  239
9.2.1　调度与分区优化  240
9.2.2　内存存储优化  243
9.2.3　网络传输优化  249
9.2.4　序列化与压缩  251
9.2.5　其他优化方法  253
9.3　本章小结  255