Spark编程基础电子书

扉页

版权页

内容提要

丛书序一

丛书序二

前言

第1章 大数据技术概述

1.1 大数据的概念与关键技术

1.1.1 大数据的概念

1.1.2 大数据关键技术

1.2 代表性大数据技术

1.2.1 Hadoop

1.2.2 Spark

1.2.3 Flink

1.2.4 Beam

1.3 编程语言的选择

1.4 在线资源

1.5 本章小结

1.6 习题

实验1 Linux系统的安装和常用命令

一、实验目的

二、实验平台

三、实验内容和要求

四、实验报告

第2章 Spark的设计与运行原理

2.1 概述

2.2 Spark生态系统

2.3 Spark运行架构

2.3.1 基本概念

2.3.2 架构设计

2.3.3 Spark运行基本流程

2.3.4 RDD的设计与运行原理

2.4 Spark的部署方式

2.5 本章小结

2.6 习题

第3章 Spark环境搭建和使用方法

3.1 安装Spark

3.1.1 基础环境

3.1.2 下载安装文件

3.1.3 配置相关文件

3.1.4 Spark和Hadoop的交互

3.2 在spark-shell中运行代码

3.2.1 spark-shell命令

3.2.2 启动spark-shell

3.3 开发Spark独立应用程序

3.3.1 安装编译打包工具

3.3.2 编写Spark应用程序代码

3.3.3 编译打包

3.3.4 通过spark-submit运行程序

3.4 Spark集群环境搭建

3.4.1 集群概况

3.4.2 搭建Hadoop集群

3.4.3 在集群中安装Spark

3.4.4 配置环境变量

3.4.5 Spark的配置

3.4.6 启动Spark集群

3.4.7 关闭Spark集群

3.5 在集群上运行Spark应用程序

3.5.1 启动Spark集群

3.5.2 采用独立集群管理器

3.5.3 采用Hadoop YARN管理器

3.6 本章小结

3.7 习题

实验2 Spark和Hadoop的安装

一、实验目的

二、实验平台

三、实验内容和要求

四、实验报告

第4章 RDD编程

4.1 RDD编程基础

4.1.1 RDD创建

4.1.2 RDD操作

4.1.3 持久化

4.1.4 分区

4.1.5 一个综合实例

4.2 键值对RDD

4.2.1 键值对RDD的创建

4.2.2 常用的键值对转换操作

4.2.3 一个综合实例

4.3 数据读写

4.3.1 文件数据读写

4.3.2 读写HBase数据

4.4 综合实例

4.4.1 求TOP值

4.4.2 文件排序

4.4.3 二次排序

4.5 本章小结

实验3 RDD编程初级实践

一、实验目的

二、实验平台

三、实验内容和要求

四、实验报告

第5章 Spark SQL

5.1 Spark SQL简介

5.1.1 从Shark说起

5.1.2 Spark SQL架构

5.1.3 为什么推出Spark SQL

5.2 DataFrame概述

5.3 DataFrame的创建

5.4 DataFrame的保存

5.5 DataFrame的常用操作

5.6 从RDD转换得到DataFrame

5.6.1 利用反射机制推断RDD模式

5.6.2 使用编程方式定义RDD模式

5.7 使用Spark SQL读写数据库

5.7.1 通过JDBC连接数据库

5.7.2 连接Hive读写数据

5.8 本章小结

5.9 习题

实验4 Spark SQL编程初级实践

一、实验目的

二、实验平台

三、实验内容和要求

四、实验报告

第6章 Spark Streaming

6.1 流计算概述

6.1.1 静态数据和流数据

6.1.2 批量计算和实时计算

6.1.3 流计算概念

6.1.4 流计算框架

6.1.5 流计算处理流程

6.2 Spark Streaming

6.2.1 Spark Streaming设计

6.2.2 Spark Streaming与Storm的对比

6.2.3 从“Hadoop+Storm”架构转向Spark架构

6.3 DStream操作概述

6.3.1 Spark Streaming工作机制

6.3.2 编写Spark Streaming程序的基本步骤

6.3.3 创建StreamingContext对象

6.4 基本输入源

6.4.1 文件流

6.4.2 套接字流

6.4.3 RDD队列流

6.5 高级数据源

6.5.1 Kafka简介

6.5.2 Kafka准备工作

6.5.3 Spark准备工作

6.5.4 编写Spark Streaming程序使用Kafka数据源

6.6 转换操作

6.6.1 DStream无状态转换操作

6.6.2 DStream有状态转换操作

6.7 输出操作

6.7.1 把DStream输出到文本文件中

6.7.2 把DStream写入到关系数据库中

6.8 本章小结

6.9 习题

实验5 Spark Streaming编程初级实践

一、实验目的

二、实验平台

三、实验内容和要求

四、实验报告

第7章 Spark MLlib

7.1 基于大数据的机器学习

7.2 机器学习库MLlib概述

7.3 基本数据类型

7.3.1 本地向量

7.3.2 标注点

7.3.3 本地矩阵

7.4 机器学习流水线

7.4.1 流水线的概念

7.4.2 流水线工作过程

7.5 特征提取、转换和选择

7.5.1 特征提取

7.5.2 特征转换

7.5.3 特征选择

7.5.4 局部敏感哈希

7.6 分类算法

7.6.1 逻辑斯蒂回归分类器

7.6.2 决策树分类器

7.7 聚类算法

7.7.1 K-Means聚类算法

7.7.2 GMM聚类算法

7.8 协同过滤算法

7.8.1 推荐算法的原理

7.8.2 ALS算法

7.9 模型选择和超参数调整

7.9.1 模型选择工具

7.9.2 用交叉验证选择模型

7.10 本章小结

7.11 习题

实验6 Spark机器学习库MLlib编程实践

一、实验目的

二、实验平台

三、实验内容和要求

四、实验报告

参考文献