Spark最佳实践

图书标准信息

• 作者 陈欢、林世飞 著
• 出版社 人民邮电出版社
• 出版时间 2016-05
• 版次 1
• ISBN 9787115422286
• 定价 49.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 210页
• 字数 339千字
• 正文语种 简体中文
• 丛书 图灵原创

【内容简介】

　　本书是Spark实战指南，全书共分8章。前4章介绍Spark的部署、工作机制和内核，后4章分别通过实战项目介绍SparkSQL、SparkStreaming、SparkGraphX和SparkMLib功能模块。此外，本书详细介绍了常见的实战问题，比如大数据环境下的配置设置、程序调优等。本书附带的一键安装脚本，更能为初学者提供很大帮助。

【作者简介】

　　陈欢，腾讯杰出程序员，15年编码经验，曾任职网络安全、互联网金融等部门，亲手从零建设了财付通业务的Spark集群，并使之同时支持SQL、实时计算、机器学习等多种数据计算场景。他目前就职于腾讯社交与效果广告部，从事大数据分析工作。

　　林世飞，腾讯杰出研究员，2005年加入腾讯，先后在无线产品、安全中心、搜索平台、开放平台、社交与效果广告部等部门从事开发和团队管理工作。他对网络安全、搜索引擎、数据挖掘、机器学习有一定了解，热衷知识传播和分享，曾获腾讯学院2009年年度杰出讲师。目前，他就职于社交与效果广告部，负责广告系统相关的研发工作。

【目录】

第1 章 Spark 与大数据 1
1．1　大数据的发展及现状　1
1．1．1　大数据时代所面临的问题　1
1．1．2　谷歌的大数据解决方案　2
1．1．3　Hadoop 生态系统　3
1．2　Spark 应时而生　4
1．2．1　Spark 的起源　4
1．2．2　Spark 的特点　5
1．2．3　Spark 的未来发展　6
第2　章 Spark 基础　8
2．1　Spark 本地单机模式体验　8
2．1．1　安装虚拟机　8
2．1．2　安装JDK　19
2．1．3　下载Spark 预编译包　21
2．1．4　本地体验Spark　22
2．2　高可用Spark 分布式集群部署　25
2．2．1　集群总览　26
2．2．2　集群机器的型号选择　28
2．2．3　初始化集群机器环境　29
2．2．4　部署ZooKeeper 集群　33
2．2．5　编译Spark　35
2．2．6　部署Spark Standalone 集群　37
2．2．7　高可用Hadoop 集群　40
2．2．8　让Spark 运行在YARN 上　40
2．2．9　一键部署高可用Hadoop +
Spark　集群　42
2．3　Spark 编程指南　43
2．3．1　交互式编程　43
2．3．2　RDD 创建　44
2．3．3　RDD 操作　47
2．3．4　使用其他语言开发Spark 程序　54
2．4　打包和提交　54
2．4．1　编译、链接、打包　54
2．4．2　提交　56
第3　章 Spark 工作机制　58
3．1　调度管理　58
3．1．1　集群概述及名词解释　58
3．1．2　Spark 程序之间的调度　60
3．1．3　Spark 程序内部的调度　63
3．2　内存管理　65
3．2．1　RDD 持久化　65
3．2．2　共享变量　66
3．3　容错机制　67
3．3．1　容错体系概述　67
3．3．2　Master 节点失效　68
3．3．3　Slave 节点失效　69
3．4　监控管理　69
3．4．1　Web 界面　69
3．4．2　REST API　72
3．4．3　Metrics 指标体系　73
3．4．4　其他监控工具　73
3．5　Spark 程序配置管理　73
3．5．1　Spark 程序配置加载过程　74
3．5．2　环境变量配置　74
3．5．3　Spark 属性项配置　74
3．5．4　查看当前的配置　76
3．5．5　配置Spark 日志　76
第4　章 Spark 内核讲解　77
4．1　Spark 核心数据结构RDD　77
4．1．1　RDD 的定义　78
4．1．2　RDD 的Transformation　80
4．1．3　RDD 的Action　82
4．1．4　Shuffle　83
4．2　SparkContext　84
4．2．1　SparkConf 配置　84
4．2．2　初始化过程　85
4．2．3　其他功能接口　87
4．3　DAG 调度　87
4．3．1　DAGScheduler　87
4．3．2　TaskScheduler　90
第5　章 Spark SQL 与数据仓库　92
5．1　Spark SQL 基础　93
5．1．1　分布式SQL 引擎　93
5．1．2　支持的SQL 语法　97
5．1．3　支持的数据类型　98
5．1．4　DataFrame　99
5．1．5　DataFrame 数据源　103
5．1．6　性能调优　104
5．2　Spark SQL 原理和运行机制　104
5．2．1　Spark SQL 整体架构　105
5．2．2　Catalyst 执行优化器　105
5．3　应用场景：基于淘宝数据建立电商
数据仓库　110
5．3．1　电商数据仓库场景　111
5．3．2　数据准备和表设计　111
5．3．3　用Spark SQL 来完成日常运营
数据分析　115
5．3．4　Spark SQL 在大规模数据下的
性能表现　120
第6　章 Spark 流式计算　122
6．1　Spark Streaming 基础知识　123
6．1．1　入门简单示例　123
6．1．2　基本概念　124
6．1．3　高级操作　129
6．2　深入理解Spark Streaming　132
6．2．1　DStream 的两类操作　132
6．2．2　容错处理　134
6．2．3　性能调优　136
6．2．4　与Storm 的对比　137
6．3　应用场景：一个类似百度统计的流式
实时系统　139
6．3．1　Web log 实时统计场景　139
6．3．2　日志实时采集　140
6．3．3　流式分析系统实现　140
第7　章 Spark 图计算　149
7．1　什么是图计算　149
7．1．1　图的基本概念　149
7．1．2　图计算的应用　150
7．2　Spark GraphX 简介　151
7．2．1　GraphX 实现　151
7．2．2　GraphX 常用API 介绍　152
7．3　应用场景：基于新浪微博数据的社交
网络分析　153
7．3．1　社交网络分析的主要应用　153
7．3．2　社区发现算法简介　154
7．3．3　用GraphX 实现Louvain
算法　156
7．3．4　小试牛刀：谁是你的闺蜜　162
7．3．5　真实的场景：新浪微博关系
分析　164
第8　章 Spark MLlib　169
8．1　机器学习简介　169
8．1．1　什么是机器学习　169
8．1．2　机器学习示例　171
8．1．3　机器学习的基本方法　172
8．1．4　机器学习的常见技巧　173
8．1．5　机器学习参考资料　174
8．2　MLlib 库简介　174
8．2．1　基础数据类型　174
8．2．2　主要的库　175
8．2．3　附带的示例程序　176
8．3　应用场景：搜索广告点击率
预估系统　178
8．3．1　应用场景　178
8．3．2　逻辑回归　179
8．3．3　学习算法　181
8．3．4　模型评估　184
8．3．5　数据准备　186
8．3．6　模型训练　187
8．3．7　模型调优　195
附录　Scala 语言参考　197