Spark大数据分析实战电子书

前言

第1章 Spark简介

1.1 初识Spark

1.2 Spark生态系统BDAS

1.3 Spark架构与运行逻辑

1.4 弹性分布式数据集

1.4.1 RDD简介

1.4.2 RDD算子分类

1.5 本章小结

第2章 Spark开发与环境配置

2.1 Spark应用开发环境配置

2.1.1 使用Intellij开发Spark程序

2.1.2 使用SparkShell进行交互式数据分析

2.2 远程调试Spark程序

2.3 Spark编译

2.4 配置Spark源码阅读环境

2.5 本章小结

第3章 BDAS简介

3.1 SQL on Spark

3.1.1 为什么使用Spark SQL

3.1.2 Spark SQL架构分析

3.2 Spark Streaming

3.2.1 Spark Streaming简介

3.2.2 Spark Streaming架构

3.2.3 Spark Streaming原理剖析

3.3 GraphX

3.3.1 GraphX简介

3.3.2 GraphX的使用简介

3.3.3 GraphX体系结构

3.4 MLlib

3.4.1 MLlib简介

3.4.2 MLlib中的聚类和分类

3.5 本章小结

第4章 Lamda架构日志分析流水线

4.1 日志分析概述

4.2 日志分析指标

4.3 Lamda架构

4.4 构建日志分析数据流水线

4.4.1 用Flume进行日志采集

4.4.2 用Kafka将日志汇总

4.4.3 用Spark Streaming进行实时日志分析

4.4.4 Spark SQL离线日志分析

4.4.5 用Flask将日志KPI可视化

4.5 本章小结

第5章 基于云平台和用户日志的推荐系统

5.1 Azure云平台简介

5.1.1 Azure网站模型

5.1.2 Azure数据存储

5.1.3 Azure Queue消息传递

5.2 系统架构

5.3 构建Node.js应用

5.3.1 创建Azure Web应用

5.3.2 构建本地Node.js网站

5.3.3 发布应用到云平台

5.4 数据收集与预处理

5.4.1 通过JS收集用户行为日志

5.4.2 用户实时行为回传到Azure Queue

5.5 Spark Streaming实时分析用户日志

5.5.1 构建Azure Queue的Spark Streaming Receiver

5.5.2 Spark Streaming实时处理Azure Queue日志

5.5.3 Spark Streaming数据存储于Azure Table

5.6 MLlib离线训练模型

5.6.1 加载训练数据

5.6.2 使用rating RDD训练ALS模型

5.6.3 使用ALS模型进行电影推荐

5.6.4 评估模型的均方差

5.7 本章小结

第6章 Twitter情感分析

6.1 系统架构

6.2 Twitter数据收集

6.2.1 设置

6.2.2 Spark Streaming接收并输出Tweet

6.3 数据预处理与Cassandra存储

6.3.1 添加SBT依赖

6.3.2 创建Cassandra Schema

6.3.3 数据存储于Cassandra

6.4 Spark Streaming热点Twitter分析

6.5 Spark Streaming在线情感分析

6.6 Spark SQL进行Twitter分析

6.6.1 读取Cassandra数据

6.6.2 查看JSON数据模式

6.6.3 Spark SQL分析Twitter

6.7 Twitter可视化

6.8 本章小结

第7章 热点新闻分析系统

7.1 新闻数据分析

7.2 系统架构

7.3 爬虫抓取网络信息

7.3.1 Scrapy简介

7.3.2 创建基于Scrapy的新闻爬虫

7.3.3 爬虫分布式化

7.4 新闻文本数据预处理

7.5 新闻聚类

7.5.1 数据转换为向量（向量空间模型VSM）

7.5.2 新闻聚类

7.5.3 词向量同义词查询

7.5.4 实时热点新闻分析

7.6 Spark Elastic Search构建全文检索引擎

7.6.1 部署Elastic Search

7.6.2 用Elastic Search索引MongoDB数据

7.6.3 通过Elastic Search检索数据

7.7 本章小结

第8章 构建分布式的协同过滤推荐系统

8.1 推荐系统简介

8.2 协同过滤介绍

8.2.1 基于用户的协同过滤算法User-based CF

8.2.2 基于项目的协同过滤算法Item-based CF

8.2.3 基于模型的协同过滤推荐Model-based CF

8.3 基于Spark的矩阵运算实现协同过滤算法

8.3.1 Spark中的矩阵类型

8.3.2 Spark中的矩阵运算

8.3.3 实现User-based协同过滤的示例

8.3.4 实现Item-based协同过滤的示例

8.3.5 基于奇异值分解实现Model-based协同过滤的示例

8.4 基于Spark的MLlib实现协同过滤算法

8.4.1 MLlib的推荐算法工具

8.4.2 MLlib协同过滤推荐示例

8.5 案例：使用MLlib协同过滤实现电影推荐

8.5.1 MovieLens数据集

8.5.2 确定最佳的协同过滤模型参数

8.5.3 利用最佳模型进行电影推荐

8.6 本章小结

第9章 基于Spark的社交网络分析

9.1 社交网络介绍

9.1.1 社交网络的类型

9.1.2 社交网络的相关概念

9.2 社交网络中社团挖掘算法

9.2.1 聚类分析和K均值算法简介

9.2.2 社团挖掘的衡量指标

9.2.3 基于谱聚类的社团挖掘算法

9.3 Spark中的K均值算法

9.3.1 Spark中与K均值有关的 对象和方法

9.3.2 Spark下K均值算法示例

9.4 案例：基于Spark的Facebook社团挖掘

9.4.1 SNAP社交网络数据集 介绍

9.4.2 基于Spark的社团挖掘实现

9.5 社交网络中的链路预测算法

9.5.1 分类学习简介

9.5.2 分类器的评价指标

9.5.3 基于Logistic回归的链路预测算法

9.6 Spark MLlib中的Logistic回归

9.6.1 分类器相关对象

9.6.2 模型验证对象

9.6.3 基于Spark的Logistic回归示例

9.7 案例：基于Spark的链路预测算法

9.7.1 SNAP符号社交网络 Epinions数据集

9.7.2 基于Spark的链路预测算法

9.8 本章小结

第10章 基于Spark的大规模新闻主题分析

10.1 主题模型简介

10.2 主题模型LDA

10.2.1 LDA模型介绍

10.2.2 LDA的训练算法

10.3 Spark中的LDA模型

10.3.1 MLlib对LDA的支持

10.3.2 Spark中LDA模型训练示例

10.4 案例：Newsgroups新闻的主题分析

10.4.1 Newsgroups数据集介绍

10.4.2 交叉验证估计新闻的主题个数

10.4.3 基于主题模型的文本聚类算法

10.4.4 基于主题模型的文本分类算法

10.5 本章小结

第11章 构建分布式的搜索引擎

11.1 搜索引擎简介

11.2 搜索排序概述

11.3 查询无关模型PageRank

11.4 基于Spark的分布式PageRank实现

11.4.1 PageRank的MapReduce 实现

11.4.2 Spark的分布式图模型GraphX

11.4.3 基于GraphX的PageRank实现

11.5 案例：GoogleWeb Graph的PageRank计算

11.6 查询相关模型Ranking SVM

11.7 Spark中支持向量机的实现

11.7.1 Spark中的支持向量机 模型

11.7.2 使用Spark测试数据演示支持向量机的训练

11.8 案例：基于MSLR数据集的查询排序

11.8.1 Microsoft Learning to Rank 数据集介绍

11.8.2 基于Spark的Ranking SVM实现

11.9 本章小结