簡體書 » Spark最佳實踐

Spark最佳實踐

定價：~~294~~ 元

NT $ 256

作者：陳歡，林世飛
出版社：人民郵電出版社
出版日期：2016-05-01
語言：簡體中文
ISBN10：7115422281
ISBN13：9787115422286
裝訂：210頁 / 普通級 / 1-1

內容簡介

本書是Spark實戰指南，全書共分8章。前4章介紹Spark的部署、工作機制和內核，后4章分別通過實戰項目介紹Spark SQL、Spark Streaming、Spark GraphX和Spark MLib功能模塊。

此外，本書詳細介紹了常見的實戰問題，比如大數據環境下的配置設置、程序調優等。本書附帶的一鍵安裝腳本，更能為初學者提供很大幫助。

陳歡，騰訊傑出程序員，15年編碼經驗，曾任職網絡安全、互聯網金融等部門，親手從零建設了財付通業務的Spark集群，並使之同時支持SQL、實時計算、機器學習等多種數據計算場景。他目前就職於騰訊社交與效果廣告部，從事大數據分析工作。

林世飛，騰訊傑出研究員，2005年加入騰訊，先后在無線產品、安全中心、搜索平台、開放平台、社交與效果廣告部等部門從事開發和團隊管理工作。他對網絡安全、搜索引擎、數據挖掘、機器學習有一定了解，熱衷知識傳播和分享，曾獲騰訊學院2009年年度傑出講師。目前，他就職於社交與效果廣告部，負責廣告系統相關的研發工作。

第1 章 Spark 與大數據 1
1.1　大數據的發展及現狀　1
1.1.1　大數據時代所面臨的問題　1
1.1.2　谷歌的大數據解決方案　2
1.1.3　Hadoop 生態系統　3
1.2　Spark 應時而生　4
1.2.1　Spark 的起源　4
1.2.2　Spark 的特點　5
1.2.3　Spark 的未來發展　6
第2　章 Spark 基礎　8
2.1　Spark 本地單機模式體驗　8
2.1.1　安裝虛擬機　8
2.1.2　安裝JDK　19
2.1.3　下載Spark 預編譯包　21
2.1.4　本地體驗Spark　22
2.2　高可用Spark 分布式集群部署　25
2.2.1　集群總覽　26
2.2.2　集群機器的型號選擇　28
2.2.3　初始化集群機器環境　29
2.2.4　部署ZooKeeper 集群　33
2.2.5　編譯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　讓Spark 運行在YARN 上　40
2.2.9　一鍵部署高可用Hadoop +
Spark　集群　42
2.3　Spark 編程指南　43
2.3.1　交互式編程　43
2.3.2　RDD 創建　44
2.3.3　RDD 操作　47
2.3.4　使用其他語言開發Spark 程序　54
2.4　打包和提交　54
2.4.1　編譯、鏈接、打包　54
2.4.2　提交　56
第3　章 Spark 工作機制　58
3.1　調度管理　58
3.1.1　集群概述及名詞解釋　58
3.1.2　Spark 程序之間的調度　60
3.1.3　Spark 程序內部的調度　63
3.2　內存管理　65
3.2.1　RDD 持久化　65
3.2.2　共享變量　66
3.3　容錯機制　67
3.3.1　容錯體系概述　67
3.3.2　Master 節點失效　68
3.3.3　Slave 節點失效　69
3.4　監控管理　69
3.4.1　Web 界面　69
3.4.2　REST API　72
3.4.3　Metrics 指標體系　73
3.4.4　其他監控工具　73
3.5　Spark 程序配置管理　73
3.5.1　Spark 程序配置加載過程　74
3.5.2　環境變量配置　74
3.5.3　Spark 屬性項配置　74
3.5.4　查看當前的配置　76
3.5.5　配置Spark 日志　76
第4　章 Spark 內核講解　77
4.1　Spark 核心數據結構RDD　77
4.1.1　RDD 的定義　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　初始化過程　85
4.2.3　其他功能接口　87
4.3　DAG 調度　87
4.3.1　DAGScheduler　87
4.3.2　TaskScheduler　90
第5　章 Spark SQL 與數據倉庫　92
5.1　Spark SQL 基礎　93
5.1.1　分布式SQL 引擎　93
5.1.2　支持的SQL 語法　97
5.1.3　支持的數據類型　98
5.1.4　DataFrame　99
5.1.5　DataFrame 數據源　103
5.1.6　性能調優　104
5.2　Spark SQL 原理和運行機制　104
5.2.1　Spark SQL 整體架構　105
5.2.2　Catalyst 執行優化器　105
5.3　應用場景：基於淘寶數據建立電商
數據倉庫　110
5.3.1　電商數據倉庫場景　111
5.3.2　數據准備和表設計　111
5.3.3　用Spark SQL 來完成日常運營
數據分析　115
5.3.4　Spark SQL 在大規模數據下的
性能表現　120
第6　章 Spark 流式計算　122
6.1　Spark Streaming 基礎知識　123
6.1.1　入門簡單示例　123
6.1.2　基本概念　124
6.1.3　高級操作　129
6.2　深入理解Spark Streaming　132
6.2.1　DStream 的兩類操作　132
6.2.2　容錯處理　134
6.2.3　性能調優　136
6.2.4　與Storm 的對比　137
6.3　應用場景：一個類似百度統計的流式
實時系統　139
6.3.1　Web log 實時統計場景　139
6.3.2　日志實時采集　140
6.3.3　流式分析系統實現　140
第7　章 Spark 圖計算　149
7.1　什麼是圖計算　149
7.1.1　圖的基本概念　149
7.1.2　圖計算的應用　150
7.2　Spark GraphX 簡介　151
7.2.1　GraphX 實現　151
7.2.2　GraphX 常用API 介紹　152
7.3　應用場景：基於新浪微博數據的社交
網絡分析　153
7.3.1　社交網絡分析的主要應用　153
7.3.2　社區發現算法簡介　154
7.3.3　用GraphX 實現Louvain
算法　156
7.3.4　小試牛刀：誰是你的閨蜜　162
7.3.5　真實的場景：新浪微博關系
分析　164
第8　章 Spark MLlib　169
8.1　機器學習簡介　169
8.1.1　什麼是機器學習　169
8.1.2　機器學習示例　171
8.1.3　機器學習的基本方法　172
8.1.4　機器學習的常見技巧　173
8.1.5　機器學習參考資料　174
8.2　MLlib 庫簡介　174
8.2.1　基礎數據類型　174
8.2.2　主要的庫　175
8.2.3　附帶的示例程序　176
8.3　應用場景：搜索廣告點擊率
預估系統　178
8.3.1　應用場景　178
8.3.2　邏輯回歸　179
8.3.3　學習算法　181
8.3.4　模型評估　184
8.3.5　數據准備　186
8.3.6　模型訓練　187
8.3.7　模型調優　195
附錄　Scala 語言參考　197

看更多