Spark SQL入门与实践指南

目 录 **部分 入门篇 第1章 初识Spark SQL 3 1.1 Spark SQL的前世今生 3 1.2 Spark SQL能做什么 4 第2章 Spark安装、编程环境搭建以及打包提交 6 2.1 Spark的简易安装 6 2.2 准备编写Spark应用程序的IDEA环境 10 2.3 将编写好的Spark应用程序打包成jar提交到Spark上 18 第二部分 基础篇 第3章 Spark上的RDD编程 23 3.1 RDD基础 24 3.1.1 创建RDD 24 3.1.2 RDD转化操作、行动操作 24 3.1.3 惰性求值 25 3.1.4 RDD缓存概述 26 3.1.5 RDD基本编程步骤 26 3.2 RDD简单实例—wordcount 27 3.3 创建RDD 28 3.3.1 程序内部数据作为数据源 28 3.3.2 外部数据源 29 3.4 RDD操作 33 3.4.1 转化操作 34 3.4.2 行动操作 37 3.4.3 惰性求值 38 3.5 向Spark传递函数 39 3.5.1 传入匿名函数 39 3.5.2 传入静态方法和传入方法的引用 40 3.5.3 闭包的理解 41 3.5.4 关于向Spark传递函数与闭包的总结 42 3.6 常见的转化操作和行动操作 42 3.6.1 基本RDD转化操作 43 3.6.2 基本RDD行动操作 48 3.6.3 键值对RDD 52 3.6.4 不同类型RDD之间的转换 56 3.7 深入理解RDD 57 3.8 RDD 缓存、持久化 59 3.8.1 RDD缓存 59 3.8.2 RDD持久化 61 3.8.3 持久化存储等级选取策略 63 3.9 RDD checkpoint容错机制 64 第4章 Spark SQL编程入门 66 4.1 Spark SQL概述 66 4.1.1 Spark SQL是什么 66 4.1.2 Spark SQL通过什么来实现 66 4.1.3 Spark SQL 处理数据的优势 67 4.1.4 Spark SQL数据核心抽象——DataFrame 67 4.2 Spark SQL编程入门示例 69 4.2.1 程序主入口：SparkSession 69 4.2.2 创建 DataFrame 70 4.2.3 DataFrame基本操作 70 4.2.4 执行SQL查询 72 4.2.5 全局临时表 73 4.2.6 Dataset 73 4.2.7 将RDDs转化为DataFrame 75 4.2.8 用户自定义函数 78 第5章 Spark SQL的DataFrame操作大全 82 5.1 由JSON文件生成所需的DataFrame对象 82 5.2 DataFrame上的行动操作 84 5.3 DataFrame上的转化操作 91 5.3.1 where条件相关 92 5.3.2 查询指定列 94 5.3.3 思维开拓：Column的巧妙应用 99 5.3.4 limit操作 102 5.3.5 排序操作：order by和sort 103 5.3.6 group by操作 106 5.3.7 distinct、dropDuplicates去重操作 107 5.3.8 聚合操作 109 5.3.9 union合并操作 110 5.3.10 join操作 111 5.3.11 获取指定字段统计信息 114 5.3.12 获取两个DataFrame中共有的记录 116 5.3.13 获取一个DataFrame中有另一个DataFrame中没有的记录 116 5.3.14 操作字段名 117 5.3.15 处理空值列 118 第6章 Spark SQL支持的多种数据源 121 6.1 概述 121 6.1.1 通用load/save 函数 121 6.1.2 手动指定选项 123 6.1.3 在文件上直接进行SQL查询 123 6.1.4 存储模式 123 6.1.5 持久化到表 124 6.1.6 bucket、排序、分区操作 124 6.2 典型结构化数据源 125 6.2.1 Parquet 文件 125 6.2.2 JSON 数据集 129 6.2.3 Hive表 130 6.2.4 其他数据库中的数据表 133 第三部分 实践篇 第7章 Spark SQL 工程实战之基于WiFi探针的商业大数据分析技术 139 7.1 功能需求 139 7.1.1 数据收集 139 7.1.2 数据清洗 140 7.1.3 客流数据分析 141 7.1.4 数据导出 142 7.2 系统架构 142 7.3 功能设计 143 7.4 数据库结构 144 7.5 本章小结 144 第8章 **个Spark SQL应用程序 145 8.1 完全分布式环境搭建 145 8.1.1 Java 环境配置 145 8.1.2 Hadoop 安装配置 146 8.1.3 Spark安装配置 149 8.2 数据清洗 150 8.3 数据处理流程 153 8.4 Spark程序远程调试 164 8.4.1 导出jar包 164 8.4.2 IDEA配置 168 8.4.3 服务端配置 170 8.5 Spark的Web界面 171 8.6 本章小结 172 第四部分 优化篇 第9章 让Spark程序再快一点 175 9.1 Spark执行流程 175 9.2 Spark内存简介 176 9.3 Spark的一些概念 177 9.4 Spark编程四大守则 178 9.5 Spark调优七式 183 9.6 解决数据倾斜问题 192 9.7 Spark 执行引擎 Tungsten 简介 195 9.8 Spark SQL解析引擎Catalyst 简介 197 9.9 本章小结 200