Spark快速大数据分析

目录推荐序　　xi译者序　　xiv序　　xvi前言　　xvii第1章　spark数据分析导论　　11.1　spark是什么　　11.2　一个大一统的软件栈　　21.2.1　spark core　　21.2.2　spark sql　　31.2.3　spark streaming　　31.2.4　mllib　　31.2.5　graphx　　31.2.6　集群管理器　　41.3　spark的用户和用途　　41.3.1　数据科学任务　　41.3.2　数据处理应用　　51.4　spark简史　　51.5　spark的版本和发布　　61.6　spark的存储层次　　6第2章　spark下载与入门　　72.1　下载spark　　72.2　spark中python和scala的shell　　92.3　spark 核心概念简介　　122.4　独立应用　　142.4.1　初始化sparkcontext　　152.4.2　构建独立应用　　162.5　总结　　19第3章　rdd编程　　213.1　rdd基础　　213.2　创建rdd　　233.3　rdd操作　　243.3.1　转化操作　　243.3.2　行动操作　　263.3.3　惰性求值　　273.4　向spark传递函数　　273.4.1　python　　273.4.2　scala　　283.4.3　java　　293.5　常见的转化操作和行动操作　　303.5.1　基本rdd　　303.5.2　在不同rdd类型间转换　　373.6　持久化( 缓存)　　393.7　总结　　40第4章　键值对操作　　414.1　动机　　414.2　创建pair rdd　　424.3　pair rdd的转化操作　　424.3.1　聚合操作　　454.3.2　数据分组　　494.3.3　连接　　504.3.4　数据排序　　514.4　pair rdd的行动操作　　524.5　数据分区（进阶）　　524.5.1　获取rdd的分区方式　　554.5.2　从分区中获益的操作　　564.5.3　影响分区方式的操作　　574.5.4　示例：pagerank　　574.5.5　自定义分区方式　　594.6　总结　　61第5章　数据读取与保存　　635.1　动机　　635.2　文件格式　　645.2.1　文本文件　　645.2.2　json　　665.2.3　逗号分隔值与制表符分隔值　　685.2.4　sequencefile　　715.2.5　对象文件　　735.2.6　hadoop输入输出格式　　735.2.7　文件压缩　　775.3　文件系统　　785.3.1　本地/“常规”文件系统　　785.3.2　amazon s3　　785.3.3　hdfs　　795.4　spark sql中的结构化数据　　795.4.1　apache hive　　805.4.2　json　　805.5　数据库　　815.5.1　java数据库连接　　815.5.2　cassandra　　825.5.3　hbase　　845.5.4　elasticsearch　　855.6　总结　　86第6章　spark编程进阶　　876.1　简介　　876.2　累加器　　886.2.1　累加器与容错性　　906.2.2　自定义累加器　　916.3　广播变量　　916.4　基于分区进行操作　　946.5　与外部程序间的管道　　966.6　数值rdd 的操作　　996.7　总结　　100第7章　在集群上运行spark　　1017.1　简介　　1017.2　spark运行时架构　　1017.2.1　驱动器节点　　1027.2.2　执行器节点　　1037.2.3　集群管理器　　1037.2.4　启动一个程序　　1047.2.5　小结　　1047.3　使用spark-submit 部署应用　　1057.4　打包代码与依赖　　1077.4.1　使用maven构建的用java编写的spark应用　　1087.4.2　使用sbt构建的用scala编写的spark应用　　1097.4.3　依赖冲突　　 1117.5　spark应用内与应用间调度　　1117.6　集群管理器　　1127.6.1　独立集群管理器　　1127.6.2　hadoop yarn　　1157.6.3　apache mesos　　1167.6.4　amazon ec2　　1177.7　选择合适的集群管理器　　1207.8　总结　　121第8章　spark调优与调试　　1238.1　使用sparkconf配置spark　　1238.2　spark执行的组成部分：作业、任务和步骤　　1278.3　查找信息　　1318.3.1　spark网页用户界面　　1318.3.2　驱动器进程和执行器进程的日志　　1348.4　关键性能考量　　1358.4.1　并行度　　1358.4.2　序列化格式　　1368.4.3　内存管理　　1378.4.4　硬件供给　　1388.5　总结　　139第9章　spark sql　　1419.1　连接spark sql　　1429.2　在应用中使用spark sql　　1449.2.1　初始化spark sql　　1449.2.2　基本查询示例　　1459.2.3　schemardd　　1469.2.4　缓存　　1489.3　读取和存储数据　　1499.3.1　apache hive　　1499.3.2　parquet　　1509.3.3　json　　1509.3.4　基于rdd　　1529.4　jdbc/odbc服务器　　1539.4.1　使用beeline　　1559.4.2　长生命周期的表与查询　　1569.5　用户自定义函数　　1569.5.1　spark sql udf　　1569.5.2　hive udf　　1579.6　spark sql性能　　1589.7　总结　　159第10章　spark streaming　　16110.1　一个简单的例子　　16210.2　架构与抽象　　16410.3　转化操作　　16710.3.1　无状态转化操作　　16710.3.2　有状态转化操作　　16910.4　输出操作　　17310.5　输入源　　17510.5.1　核心数据源　　17510.5.2　附加数据源　　17610.5.3　多数据源与集群规模　　17910.6　24/7不间断运行　　18010.6.1　检查点机制　　18010.6.2　驱动器程序容错　　18110.6.3　工作节点容错　　18210.6.4　接收器容错　　18210.6.5　处理保证　　18310.7　streaming用户界面　　18310.8　性能考量　　18410.8.1　批次和窗口大小　　18410.8.2　并行度　　18410.8.3　垃圾回收和内存使用　　18510.9　总结　　185第11章　基于mllib的机器学习　　18711.1　概述　　18711.2　系统要求　　18811.3　机器学习基础　　18911.4　数据类型　　19211.5　算法　　19411.5.1　特征提取　　19411.5.2　统计　　19611.5.3　分类与回归　　19711.5.4　聚类　　20211.5.5　协同过滤与推荐　　20311.5.6　降维　　20411.5.7　模型评估　　20611.6　一些提示与性能考量　　20611.6.1　准备特征　　20611.6.2　配置算法　　20711.6.3　缓存rdd以重复使用　　20711.6.4　识别稀疏程度　　20711.6.5　并行度　　20711.7　流水线api　　20811.8　总结　　209作者简介　　210封面介绍　　210