大数据Spark企业级实战PDF电子书下载

第1章 Spark编程模型 1

1.1 Spark：一体化、多元化的高速大数据通用计算平台和库 1

1.1.1 为什么需要使用Spark 5

1.1.2 Spark技术生态系统简介 9

1.2 Spark大数据处理框架 20

1.2.1 Spark速度为何如此之快 20

1.2.2 RDD：分布式函数式编程 24

1.3 Spark子框架解析 28

1.3.1 图计算框架Spark GraphX 28

1.3.2 实时流处理框架（Spark Streaming） 41

1.3.3 交互式SQL处理框架Spark SQL 46

1.3.4 机器学习框架（Spark MLlib） 49

第2章 构建Spark分布式集群 55

2.1 搭建Hadoop单机版本和伪分布式开发环境 55

2.1.1 开发Hadoop需要的基本软件 56

2.1.2 安装每个软件 58

2.1.3 配置Hadoop单机模式并运行Wordcount示例 76

2.1.4 配置Hadoop伪分布模式并运行Wordcount示例 84

2.2 搭建Hadoop分布式集群 92

2.2.1 在VMWare中准备第二、第三台运行Ubuntu系统的机器 92

2.2.2 按照配置伪分布式模式的方式配置新创建运行Ubuntu系统的机器 93

2.2.3 配置Hadoop分布式集群环境 94

2.2.4 测试Hadoop分布式集群环境 105

2.3 Spark集群的动手搭建 108

2.3.1 Spark集群需要的软件 108

2.3.2 安装每个软件 110

2.3.3 启动并查看集群的状况 116

2.4 构建Hadoop单机版本和伪分布式环境 120

2.4.1 通过Spark的shell测试Spark的工作 121

2.4.2 使用Spark的cache机制观察一下效率的提升 125

第3章 Spark开发环境及其测试 129

3.1 搭建和设置IDEA开发环境 129

3.1.1 构建Spark的IDE开发环境 129

3.1.2 配置Spark的IDE开发环境 132

3.2 测试IDEA环境 146

3.3 实战：在IDEA中开发代码，并运行在Spark集群中 148

第4章 Spark RDD与编程API实战 159

4.1 深度解析Spark RDD 159

4.2 Transformation Operations动手实战 165

4.3 Action Operations动手实战 175

4.4 Spark API综合实战 179

第5章 Spark运行模式深入解析 191

5.1 Spark运行模式概述 192

5.1.1 Spark的运行模式列表 196

5.1.2 Spark的基本工作流程 197

5.2 Standalone模式 201

5.2.1 部署及程序运行 202

5.2.2 内部实现原理 206

5.3 Yarn-Cluster模式 234

5.3.1 部署及程序运行 235

5.3.2 内部实现原理 237

5.4 Yarn-Client模式 243

5.4.1 部署及运行程序 243

5.4.2 内部实现原理 244

第6章 Spark内核解析 247

6.1 Spark内核初探 247

6.1.1 Spark内核核心术语解析 247

6.1.2 Spark集群概览 250

6.1.3 Spark核心组件 251

6.1.4 Spark任务调度系统初见 252

6.2 Spark内核核心源码解读 256

6.2.1 SparkContext核心源码解析初体验 256

6.2.2 TaskSceduler启动源码解析初体验 260

6.2.3 DAGScheduler源码解读初体验 261

6.2.4 Spark的Web监控页面 262

6.3 以RDD的count操作为例触发Job全生命周期源码研究 263

6.4 Akka驱动下的Driver、Master、Worker 276

6.4.1 Driver中的AppClient源码解析 276

6.4.2 AppClient注册Master 279

6.4.3 Worker中Executor启动过程源代码解析 282

第7章 GraphX大规模图计算与图挖掘实战 287

7.1 Spark GraphX概览 288

7.2 Spark GraphX设计实现的核心原理 291

7.3 Table operator和GraphOperator 295

7.4 Vertices、edges、triplets 296

7.5 以最原始的方式构建graph 299

7.6 动手编写第一个Graph代码实例并进行Vertices、edges、triplets操作 299

7.7 在Spark集群上使用文件中的数据加载成为graph并进行操作 310

7.8 在Spark集群上掌握比较重要的图操作 320

7.9 Spark GraphX图算法 342

7.10 淘宝对Spark GraphX的大规模使用 347

第8章 Spark SQL原理与实战 349

8.1 为什么使用Spark SQL 349

8.1.1 Spark SQL的发展历程 349

8.1.2 Spark SQL的性能 351

8.2 Spark SQL运行架构 355

8.2.1 Tree和Rule 357

8.2.2 sqlContext的运行过程 360

8.2.3 hiveContext的运行过程 362

8.2.4 catalyst优化器 365

8.3 解析Spark SQL组件 367

8.3.1 LogicalPlan 367

8.3.2 SqlParser 370

8.3.3 Analyzer 378

8.3.4 Optimizer 381

8.4 深入了解Spark SQL运行的计划 383

8.4.1 hive/console的安装过程和原理 383

8.4.2 常用操作 386

8.4.3 不同数据源的运行计划 388

8.4.4 不同查询的运行计划 391

8.4.5 查询的优化 393

8.5 搭建测试环境 396

8.5.1 搭建虚拟集群（Hadoop1、Hadoop2、Hadoop3） 397

8.5.2 搭建客户端 398

8.5.3 文件数据的准备工作 399

8.5.4 Hive数据的准备工作 399

8.6 Spark SQL之基础应用 400

8.6.1 sqlContext的基础应用 402

8.6.2 hiveContext的基础应用 405

8.6.3 混合使用 408

8.6.4 缓存的使用 409

8.6.5 DSL的使用 410

8.7 ThriftServer和CLI 411

8.7.1 令人惊讶的CLI 411

8.7.2 ThriftServer 414

8.8 Spark SQL之综合应用 418

8.8.1 店铺分类 419

8.8.2 PageRank 421

8.9 Spark SQL之调优 424

8.9.1 并行性 424

8.9.2 高效的数据格式 425

8.9.3 内存的使用 427

8.9.4 合适的Task 428

8.9.5 其他的一些建议 428

第9章 Machine Learning on Spark 431

9.1 Spark MLlib机器学习 431

9.1.1 机器学习快速入门 432

9.1.2 Spark MLlib介绍 442

9.1.3 Spark MLlib架构解析 447

9.1.4 Spark Mllib核心解析 458

9.2 MLlib经典算法解析和案例实战 462

9.2.1 Linear Regression解析和实战 462

9.2.2 K-Means解析和实战 484

9.2.3 协同过滤算法分析和案例实战 502

9.3 MLLib其他常用算法解析和代码实战 552

9.3.1 Basic Statics解析和实战 553

9.3.2 MLlib朴素贝叶斯解析和实战 560

9.3.3 MLlib决策树解析和实战 562

第10章 Tachyon文件系统 565

10.1 Tachyon文件系统概述 565

10.1.1 Tachyon文件系统简介 565

10.1.2 HDFS与Tachyon 566

10.1.3 Tachyon设计原理 568

10.2 Tachyon入门 568

10.2.1 Tachyon部署 568

10.2.2 Tachyon API的使用 570

10.2.3 在MapReduce、Spark上使用Tachyon 572

10.3 Tachyon深度解析 573

10.3.1 Tachyon整体设计概述 573

10.3.2 Tachyon Master启动流程分析 574

10.3.3 Tachyon Worker启动流程分析 577

10.3.4 客户端读写文件源码分析 577

10.4 Tachyon配置参数一览 579

10.5 小结 580

第11章 Spark Streaming原理与实战 581

11.1 Spark Streaming原理 581

11.1.1 原理和运行场景 581

11.1.2 编程模型DStream 584

11.1.3 持久化、容错和优化 588

11.2 Spark Streaming实战 589

11.2.1 源码解析 589

11.2.2 Spark Streaming实战案例 600

第12章 Spark多语言编程 605

12.1 Spark多语言编程的特点 605

12.2 Spark编程模型 609

12.3 深入Spark多语言编程 611

12.4 Spark多语言编程综合实例 622

第13章 R语言的分布式编程之SparkR 627

13.1 R语言快速入门 627

13.1.1 R语言是什么 627

13.1.2 R语言的特点 629

13.1.3 R语言的安装 630

13.1.4 R的核心概念 630

13.1.5 R动手实战 631

13.2 使用SparkR 661

13.2.1 SparkR的安装 661

13.2.2 使用SparkR编写WordCount 662

13.2.3 使用SparkR的更多代码示例 662

第14章 Spark性能调优和最佳实践 665

14.1 Spark性能调优 665

14.1.1 Spark性能优化的12大问题及其解决方法 665

14.1.2 Spark内存优化 669

14.1.3 RDD分区 672

14.1.4 Spark性能优化实例 674

14.2 Spark性能调优细节 675

14.2.1 broadcast和accumulator 675

14.2.2 reduce和reduceByKey 676

14.2.3 深入reduceByKey 677

第15章 Spark源码解析 679

15.1 BlockManager源码解析 679

15.2 Cache源码解析 706

15.3 Checkpoint源码解析 725

附录A 动手实战Scala三部曲 733

第一部 动手体验Scala 735

第二部 动手实战Scala面向对象编程 746

第三部 动手实战Scala函数式编程 761