Spark编程基础(Python版)

第1 章　大数据技术概述　1
1．1　大数据概念与关键技术　2
1．1．1　大数据的概念　2
1．1．2　大数据关键技术　2
1．2　代表性大数据技术　4
1．2．1　Hadoop　4
1．2．2　Spark　8
1．2．3　Flink　10
1．2．4　Beam　11
1．3　编程语言的选择　12
1．4　在线资源　13
1．5　本章小结　14
1．6　习题　14
实验1　Linux 系统的安装和常用命令　15
第2　章 Spark 的设计与运行原理　17
2．1　概述　18
2．2　Spark 生态系统　19
2．3　Spark 运行架构　21
2．3．1　基本概念　21
2．3．2　架构设计　21
2．3．3　Spark 运行基本流程　22
2．3．4　RDD 的设计与运行原理　24
2．4　Spark 的部署方式　33
2．5　本章小结　34
2．6　习题　34
第3　章 Spark 环境搭建和使用方法　35
3．1　安装Spark　36
3．1．1　基础环境　36
3．1．2　下载安装文件　36
3．1．3　配置相关文件　38
3．1．4　验证Spark 是否安装成功　39
3．1．5　Spark 和Hadoop 的交互　39
3．2　在pyspark 中运行代码　40
3．2．1　pyspark 命令　40
3．2．2　启动pyspark　41
3．3　开发Spark 独立应用程序　42
3．3．1　编写程序　42
3．3．2　通过spark-submit 运行程序　43
3．4　Spark 集群环境搭建　44
3．4．1　集群概况　44
3．4．2　搭建Hadoop 集群　44
3．4．3　在集群中安装Spark　45
3．4．4　配置环境变量　45
3．4．5　Spark 的配置　46
3．4．6　启动Spark 集群　47
3．4．7　关闭Spark 集群　47
3．5　在集群上运行Spark 应用程序　48
3．5．1　启动Spark 集群　48
3．5．2　采用独立集群管理器　48
3．5．3　采用Hadoop YARN 管理器　49
3．6　本章小结　51
3．7　习题　51
实验2　Spark 和Hadoop 的安装　51

第4　章 RDD 编程　53
4．1　RDD 编程基础　54
4．1．1　RDD 创建　54
4．1．2　RDD 操作　56
4．1．3　持久化　63
4．1．4　分区　64
4．1．5　一个综合实例　69
4．2　键值对RDD　71
4．2．1　键值对RDD 的创建　71
4．2．2　常用的键值对转换操作　72
4．2．3　一个综合实例　78
4．3　数据读写　79
4．3．1　文件数据读写　79
4．3．2　读写HBase 数据　82
4．4　综合实例　86
4．4．1　求TOP 值　86
4．4．2　文件排序　89
4．4．3　二次排序　91
4．5　本章小结　94
4．6　习题　95
实验3　RDD 编程初级实践　95
第5　章 Spark SQL　98
5．1　Spark SQL 简介　99
5．1．1　从Shark 说起　99
5．1．2　Spark SQL 架构　100
5．1．3　为什么推出Spark SQL　101
5．2　DataFrame 概述　101
5．3　DataFrame 的创建　102
5．4　DataFrame 的保存　103
5．5　DataFrame 的常用操作　104
5．6　从RDD 转换得到DataFrame　105
5．6．1　利用反射机制推断RDD 模式　106
5．6．2　使用编程方式定义RDD 模式　107
5．7　使用Spark SQL 读写数据库　108
5．7．1　准备工作　109
5．7．2　读取MySQL 数据库中的数据　109
5．7．3　向MySQL 数据库写入数据　110
5．8　本章小结　111
5．9　习题　112
实验4　Spark SQL 编程初级实践　112
第6　章 Spark Streaming　115
6．1　流计算概述　116
6．1．1　静态数据和流数据　116
6．1．2　批量计算和实时计算　117
6．1．3　流计算概念　117
6．1．4　流计算框架　118
6．1．5　流计算处理流程　119
6．2　Spark Streaming　121
6．2．1　Spark Streaming 设计　121
6．2．2　Spark Streaming 与Storm 的对比　122
6．2．3　从“Hadoop+Storm”架构转向Spark 架构　122
6．3　DStream 操作概述　123
6．3．1　Spark Streaming 工作机制　123
6．3．2　编写Spark Streaming 程序的基本步骤　124
6．3．3　创建StreamingContext 对象　124
6．4　基本输入源　125
6．4．1　文件流　125
6．4．2　套接字流　127
6．4．3　RDD 队列流　131
6．5　高级数据源　133
6．5．1　Kafka 简介　133
6．5．2　Kafka 准备工作　133
6．5．3　Spark 准备工作　135
6．5．4　编写Spark Streaming 程序使用Kafka 数据源　136
6．6　转换操作　137
6．6．1　DStream 无状态转换操作　137
6．6．2　DStream 有状态转换操作　138
6．7　输出操作　143
6．7．1　把DStream 输出到文本文件中　143
6．7．2　把DStream 写入到关系数据库中　145
6．8　本章小结　147
6．9　习题　147
实验5　Spark Streaming 编程初级实践　147
第7　章 Structured Streaming　150
7．1　概述　151
7．1．1　基本概念　151
7．1．2　两种处理模型　152
7．1．3　Structured Streaming 和Spark SQL、Spark Streaming 的关系　154
7．2　编写Structured Streaming程序的基本步骤　154
7．2．1　实现步骤　154
7．2．2　测试运行　156
7．3　输入源　158
7．3．1　File 源　158
7．3．2　Kafka 源　163
7．3．3　Socket 源　167
7．3．4　Rate 源　167
7．4　输出操作　169
7．4．1　启动流计算　169
7．4．2　输出模式　170
7．4．3　输出接收器　170
7．5　容错处理　173
7．5．1　从检查点恢复故障　173
7．5．2　故障恢复中的限制　173
7．6　迟到数据处理　174
7．6．1　事件时间　174
7．6．2　迟到数据　175
7．6．3　水印　176
7．6．4　多水印规则　177
7．6．5　处理迟到数据的实例　178
7．7　查询的管理和监控　181
7．7．1　管理和监控的方法　181
7．7．2　一个监控的实例　182
7．8　本章小结　184
7．9　习题　185
实验6　Structured Streaming编程实践　185
第8章　Spark MLlib　187
8．1　基于大数据的机器学习　188
8．2　机器学习库MLlib 概述　189
8．3　基本数据类型　190
8．3．1　本地向量　190
8．3．2　标注点　191
8．3．3　本地矩阵　192
8．4　机器学习流水线　193
8．4．1　流水线的概念　193
8．4．2　流水线工作过程　193
8．5　特征提取、转换和选择　195
8．5．1　特征提取　195
8．5．2　特征转换　199
8．5．3　特征选择　204
8．5．4　局部敏感哈希　205
8．6　分类算法　205
8．6．1　逻辑斯蒂回归分类器　206
8．6．2　决策树分类器　212
8．7　聚类算法　217
8．7．1　K-Means 聚类算法　218
8．7．2　GMM 聚类算法　220
8．8　协同过滤算法　223
8．8．1　推荐算法的原理　223
8．8．2　ALS 算法　224
8．9　模型选择和超参数调整　228
8．9．1　模型选择工具　229
8．9．2　用交叉验证选择模型　229
8．10　本章小结　232
8．11　习题　233
实验7　Spark 机器学习库MLlib编程实践　233
参考文献　235