图解Spark 大数据快速分析实战

　　本书共8章，内容主要包括Spark概述及入门实战，Spark的作业调度和资源分配算法，Spark SQL、DataFrame、Dataset的原理和实战，深入理解Spark数据源，流式计算的原理和实战，亿级数据处理平台Spark性能调优，Spark机器学习库，Spark 3.0的新特性和数据湖等。本书适合Spark开发人员和Spark运维人员阅读。

　　王磊，阿里云MVP（最有价值专家）、易点天下大数据架构师，《Offer来了：Java面试核心知识点精讲（原理篇）》和《Offer来了：Java面试核心知识点精讲（框架篇）》的作者，极客时间每日一课专栏作者；喜欢读书和研究新技术，长期从事物联网和大数据研发工作；有十余年丰富的物联网及大数据研发和技术架构经验，对物联网及大数据的原理和技术实现有深刻理解；长期从事海外项目的研发和交付工作，对异地多活数据中心的建设及高可用、高并发系统的设计有丰富的实战经验。

目　　录


第　1章 Spark概述及入门实战　1
1．1　Spark简介　3
1．1．1　为什么要学习Spark　3
1．1．2　学好Spark的关键点　5
1．1．3　Spark学习难点　6
1．1．4　本书编写思路　6
1．2　Spark原理及特点　7
1．2．1　Spark的核心优势　7
1．2．2　Spark生态介绍　11
1．2．3　Spark模块的组成　12
1．2．4　Spark运行模式　18
1．2．5　Spark集群的角色组成　18
1．2．6　Spark核心概念　21
1．2．7　Spark作业运行流程　27
1．3　Spark入门实战　33
1．3．1　Spark独立环境安装实战　33
1．3．2　YARN环境安装实战　36
1．3．3　Spark批处理作业入门实战　39
1．3．4　Spark流式作业入门实战　44
第　2章 Spark的作业调度和资源分配算法　49
2．1　Spark的作业调度　49
2．1．1　Spark作业运行框架概述　49
2．1．2　Spark调度器原理　51
2．1．3　Spark应用程序的核心概念　52
2．1．4　Spark应用程序的调度流程　52
2．1．5　在YARN级别调度Spark作业　58
2．1．6　在任务级别调度Spark作业　58
2．1．7　本地化调度简介　62
2．1．8　本地化调度流程：延迟调度策略　64
2．1．9　Spark任务延迟调度　65
2．1．10　Spark失败重试与黑名单机制　67
2．1．11　推测执行　68
2．1．12　资源分配机制　70
2．2　Spark on YARN资源调度　74
2．2．1　Spark on YARN运行模式　74
2．2．2　YARN调度器　77
2．3　RDD概念　86
2．3．1　RDD简介　86
2．3．2　RDD的特点　87
2．4　RDD分区　89
2．4．1　分区的概念　89
2．4．2　分区器　89
2．4．3　自定义分区器　91
2．5　RDD依赖关系　93
2．6　Stage　94
2．7　RDD持久化　95
2．7．1　RDD持久化的概念　95
2．7．2　RDD持久化的使用　95
2．7．3　RDD持久化级别　96
2．7．4　RDD持久化原则　97
2．8　RDD检查点　98
2．9　RDD实战　98
2．9．1　编写一个简单的RDD演示程序　98
2．9．2　利用外部存储系统生成RDD　99
2．9．3　RDD支持Transformation操作和Action操作　101
2．9．4　RDD懒加载　101
2．9．5　Spark函数的3种实现方式　102
2．9．6　RDD操作中常用Transformation算子的原理及使用　102
2．9．7　RDD操作中常用Action算子的原理及使用　112
2．9．8　Spark广播变量的概念、好处和使用　114
第3章　Spark SQL、DataFrame、Dataset原理和实战　117
3．1　Spark SQL基础概念　117
3．1．1　Spark SQL介绍　117
3．1．2　Spark SQL查询语句介绍　117
3．1．3　DataFrame的概念　118
3．1．4　Dataset的概念　119
3．2　创建一个Spark SQL应用　119
3．3　Spark SQL视图操作　120
3．4　Spark Dataset操作　121
3．5　Spark DataFrame操作　122
3．5．1　DataFrame Schema设置　122
3．5．2　DataFrame数据加载　123
3．5．3　DataFrame数据保存　124
3．6　Spark SQL操作　124
3．6．1　Spark SQL表关联操作　124
3．6．2　Spark SQL函数操作　125
第4章　深入理解Spark数据源　132
4．1　Spark文件读写原理　132
4．1．1　Spark数据分布　133
4．1．2　Spark数据读取过程　135
4．1．3　Spark数据写出过程　136
4．2　Spark数据格式　138
4．2．1　TEXT　138
4．2．2　CSV　139
4．2．3　JSON　140
4．2．4　Parquet　141
4．2．5　ORC　145
4．2．6　AVRO　148
4．2．7　到底应该使用哪种数据格式　150
4．3　Spark读写HDFS　150
4．3．1　HDFS的概念和特点　150
4．3．2　HDFS架构　151
4．3．3　HDFS数据的写入和读取流程　152
4．3．4　HDFS的使用　153
4．4　Spark读写HBase　153
4．4．1　HBase的概念　153
4．4．2　HBase架构　154
4．4．3　HBase数据模型　156
4．4．4　HBase的使用　157
4．5　Spark读写MongoDB　159
4．5．1　MongoDB的概念　159
4．5．2　MongoDB数据模型　160
4．5．3　MongoDB架构　161
4．5．4　MongoDB的使用　164
4．6　Spark读写Cassandra　167
4．6．1　Cassandra的概念　167
4．6．2　Gossip协议　167
4．6．3　Cassandra数据模型　168
4．6．4　Cassandra架构　169
4．6．5　Cassandra的使用　171
4．7　Spark读写MySQL　173
4．8　Spark读写Kafka　174
4．8．1　Kafka的概念　174
4．8．2　Kafka集群架构　175
4．8．3　Kafka数据存储设计　176
4．8．4　Kafka消息并发设计　178
4．8．5　Kafka的使用　179
4．9　Spark读写ElasticSearch　182
4．9．1　ElasticSearch的概念　182
4．9．2　ElasticSearch数据模型　183
4．9．3　ElasticSearch集群架构　184
4．9．4　ElasticSearch副本架构　185
4．9．5　ElasticSearch的使用　186
第5章　Spark流式计算的原理和实战　189
5．1　Spark Streaming　189
5．1．1　Spark Streaming介绍　189
5．1．2　Spark Streaming入门实战　190
5．1．3　Spark Streaming的数据源　194
5．1．4　DStream　195
5．2　Spark Structured Streaming　199
5．2．1　Spark Structured Streaming介绍　199
5．2．2　Spark Structured Streaming的特点　200
5．2．3　Spark Structured Streaming的数据模型　201
5．2．4　创建一个Spark Structured Streaming应用　202
5．2．5　时间概念、延迟数据处理策略和容错语义　206
5．2．6　Spark Structured Streaming编程模型　208
5．2．7　在结构化数据流上执行操作　212
5．2．8　启动Spark Structured Streaming　224
5．2．9　Spark Structured Streaming结果输出　224
5．2．10　触发器　226
第6章　亿级数据处理平台Spark性能调优　228
6．1　内存调优　228
6．1．1　JVM内存调优　228
6．1．2　堆外内存设置　232
6．1．3　storageFraction设置　232
6．1．4　Spark JVM调优的最佳实践　233
6．2　任务调优　234
6．2．1　驱动器数量、内存及CPU配置　234
6．2．2　设置合理的并行度　235
6．2．3　任务等待时长调优　240
6．2．4　黑名单调优　241
6．3　数据本地性调优　242
6．3．1　数据本地化介绍　242
6．3．2　RDD的复用和数据持久化　243
6．3．3　广播变量　244
6．3．4　Kryo序列化　245
6．3．5　检查点　246
6．4　算子调优　248
6．4．1　使用mapPartitions()或
mapPartitionWithIndex()函数取代map()函数　248
6．4．2　使用foreachPartition()函数取代foreach()函数　249
6．4．3　使用coalesce()函数取代repartition()函数　249
6．4．4　使用repartitionAndSortWithin-
Partitions()函数取代“重分区+排序”操作　250
6．4．5　使用reduceByKey()函数取代groupByKey()函数　250
6．4．6　连接不产生Shuffle：map-side关联　251
6．5　Spark SQL调优　251
6．6　Spark Shuffle调优　252
6．7　Spark Streaming调优　253
6．7．1　设置合理的批处理时间（batchDuration）　253
6．7．2　增加并行度　253
6．7．3　使用Kryo序列化器序列化数据　254
6．7．4　缓存经常需要使用的数据　254
6．7．5　清除不需要的数据　254
6．7．6　设置合理的CPU资源　254
6．7．7　设置合理的JVM GC　254
6．7．8　在处理数据前进行重分区　254
6．7．9　设置合理的内存　255
6．8　处理Spark数据倾斜问题　255
6．8．1　什么是数据倾斜　255
6．8．2　导致数据倾斜的原因是什么　256
6．8．3　如何判断Spark应用程序在运行中出现了数据倾斜　256
6．8．4　数据倾斜消除方案　257
第7章　Spark机器学习库　259
7．1　Spark机器学习概述　259
7．1．1　为什么要使用机器学习　259
7．1．2　机器学习的应用场景　259
7．1．3　机器学习的分类　260
7．1．4　机器学习算法　261
7．1．5　机器学习流程概述　264
7．1．6　数据探索　274
7．2　Spark机器学习常用统计方法　276
7．2．1　常用统计指标概述　276
7．2．2　Spark ML基础统计实战　276
7．2．3　Spark ML相关性分析　277
7．2．4　Spark ML数据抽样　279
7．3　Spark分类模型　280
7．3．1　分类模型介绍　280
7．3．2　线性回归　283
7．3．3　逻辑回归　286
7．3．4　朴素贝叶斯　288
7．3．5　决策树　290
7．4　协同过滤　293
7．5　Spark聚类模型　295
7．5．1　聚类模型的概念　295
7．5．2　聚类分析算法　296
7．5．3　k-均值算法模型　296
第8章　Spark 3．0的新特性和数据湖　302
8．1　Spark 3．0新特性概述　302
8．1．1　AQE　303
8．1．2　Spark SQL的新特性　305
8．1．3　Koalas和增强的PySpark　310
8．1．4　数据湖　311
8．1．5　Hydrogen、流和可扩展性　311
8．1．6　Spark 3．0的其他新特性　311
8．2　Spark未来的趋势——数据湖　312
8．2．1　为什么需要数据湖　312
8．2．2　Delta Lake　314
8．2．3　Delta Lake实战　316
术语的中英文对照表　321