Spark大数据分析技术与实战
出版信息
董轶群、曹正凤、赵仁乾、王安 / 电子工业出版社 / 2017-7 / 59.00
内容简介
Spark作为下一代大数据处理引擎，经过短短几年的飞跃式发展，正在以燎原之势席卷业界，现已成为大数据产业中的一股中坚力量。
《Spark大数据分析技术与实战》着重讲解了Spark内核、Spark GraphX、Spark SQL、Spark Streaming和Spark MLlib的核心概念与理论框架，并提供了相应的示例与解析。
《Spark大数据分析技术与实战》共分为8章，其中前4章介绍Spark内核，主要包括Spark简介、集群部署、工作原理、核心概念与操作等；后4章分别介绍Spark内核的核心组件，每章系统地介绍Spark的一个组件，并附以相应的案例分析。
《Spark大数据分析技术与实战》适合作为高等院校计算机相关专业的研究生学习参考资料，也适合大数据技术初学者阅读，还适合所有愿意对大数据技术有所了解并想要将大数据技术应用于本职工作的读者阅读。
目录
第1章 Spark导论 1
1.1 Spark的发展 2
1.2 什么是Spark 3
1.3 Spark主要特征 3
1.3.1 快速 3
1.3.2 简洁易用 5
1.3.3 通用 6
1.3.4 多种运行模式 8
第2章 Spark集群部署 9
2.1 运行环境说明 9
2.1.1 软硬件环境 9
2.1.2 集群网络环境 10
2.2 安装VMware Workstation 11 10
2.3 安装CentOS 6 16
2.4 安装Hadoop 21
2.4.1 克隆并启动虚拟机 21
2.4.2 网络基本配置 24
2.4.3 安装JDK 27
2.4.4 免密钥登录配置 28
2.4.5 Hadoop配置 29
2.4.6 配置从节点 33
2.4.7 配置系统文件 33
2.4.8 启动Hadoop集群 33
2.5 安装Scala 35
2.6 安装Spark 36
2.6.1 下载并解压Spark安装包 36
2.6.2 配置Spark-env.sh 37
2.6.3 配置Spark-defaults.conf 37
2.6.4 配置Slaves 38
2.6.5 配置环境变量 38
2.6.6 发送至Slave1、Slave2 39
2.7 启动Spark 39
第3章 RDD编程 42
3.1 RDD定义 42
3.2 RDD的特性 43
3.2.1 分区 43
3.2.2 依赖 44
3.2.3 计算 45
3.2.4 分区函数 45
3.2.5 优先位置 46
3.3 创建操作 46
3.3.1 基于集合的创建操作 47
3.3.2 基于外部存储的创建操作 47
3.4 常见执行操作 49
3.5 常见转换操作 49
3.5.1 一元转换操作 50
3.5.2 二元转换操作 53
3.6 持久化操作 56
3.7 存储操作 58
第4章 Spark调度管理与应用程序开发 59
4.1 Spark调度管理基本概念 59
4.2 作业调度流程 60
4.2.1 作业的生成与提交 61
4.2.2 阶段的划分 62
4.2.3 调度阶段的提交 62
4.2.4 任务的提交与执行 62
4.3 基于IntelliJ IDEA构建Spark应用程序 64
4.3.1 安装IntelliJ IDEA 64
4.3.2 创建Spark应用程序 70
4.3.3 集群模式运行Spark应用程序 81
第5章 GraphX 87
5.1 GraphX概述 87
5.2 GraphX基本原理 89
5.2.1 图计算模型处理流程 89
5.2.2 GraphX定义 90
5.2.3 GraphX的特点 90
5.3 GraphX设计与实现 91
5.3.1 弹性分布式属性图 91
5.3.2 图的数据模型 92
5.3.3 图的存储模型 94
5.3.4 GraphX模型框架 97
5.4 GraphX操作 97
5.4.1 创建图 97
5.4.2 基本属性操作 100
5.4.3 结构操作 102
5.4.4 转换操作 103
5.4.5 连接操作 105
5.4.6 聚合操作 106
5.5 GraphX案例解析 107
5.5.1 PageRank算法与案例解析 107
5.5.2 Triangle Count算法与案例解析 110
第6章 Spark SQL 113
6.1 Spark SQL概述 113
6.2 Spark SQL逻辑架构 116
6.2.1 SQL执行流程 116
6.2.2 Catalyst 117
6.3 Spark SQL CLI 117
6.3.1 硬软件环境 117
6.3.2 集群环境 118
6.3.3 结合Hive 118
6.3.4 启动Hive 118
6.4 DataFrame编程模型 119
6.4.1 DataFrame简介 119
6.4.2 创建DataFrames 120
6.4.3 保存DataFrames 126
6.5 DataFrame常见操作 127
6.5.1 数据展示 127
6.5.2 常用列操作 128
6.5.3 过滤 131
6.5.4 排序 132
6.5.5 其他常见操作 134
6.6 基于Hive的学生信息管理系统的SQL查询案例与解析 137
6.6.1 Spark SQL整合Hive 137
6.6.2 构建数据仓库 138
6.6.3 加载数据 141
6.6.4 查询数据 142
第7章 Spark Streaming 146
7.1 Spark Streaming概述 146
7.2 Spark Streaming基础概念 147
7.2.1 批处理时间间隔 147
7.2.2 窗口时间间隔 148
7.2.3 滑动时间间隔 148
7.3 DStream基本概念 149
7.4 DStream的基本操作 150
7.4.1 无状态转换操作 150
7.4.2 有状态转换操作 152
7.4.3 输出操作 153
7.4.4 持久化操作 154
7.5 数据源 154
7.5.1 基础数据源 154
7.5.2 高级数据源 155
7.6 Spark Streaming编程模式与案例分析 156
7.6.1 Spark Streaming编程模式 156
7.6.2 文本文件数据处理案例（一） 157
7.6.3 文本文件数据处理案例（二） 160
7.6.4 网络数据处理案例（一） 164
7.6.5 网络数据处理案例（二） 171
7.6.6 stateful应用案例 175
7.6.7 window应用案例 180
7.7 性能考量 185
7.7.1 运行时间优化 185
7.7.2 内存使用与垃圾回收 186
第8章 Spark MLlib 187
8.1 Spark MLlib概述 187
8.1.1 机器学习介绍 187
8.1.2 Spark MLlib简介 189
8.2 MLlib向量与矩阵 190
8.2.1 MLlib向量 190
8.2.2 MLlib矩阵 192
8.3 Spark MLlib分类算法 196
8.3.1 贝叶斯分类算法 197
8.3.2 支持向量机算法 201
8.3.3 决策树算法 204
8.4 MLlib线性回归算法 208
8.5 MLlib聚类算法 212
8.6 MLlib协同过滤 215
