Spark大数据处理

前　言

第1章　Spark简介 1

1.1　Spark是什么 1

1.2　Spark生态系统BDAS 4

1.3　Spark架构 6

1.4　Spark分布式架构与单机多核

架构的异同 9

1.5　Spark的企业级应用 10

1.5.1　Spark在Amazon中的应用 11

1.5.2　Spark在Yahoo!的应用 15

1.5.3　Spark在西班牙电信的应用 17

1.5.4　Spark在淘宝的应用 18

1.6　本章小结 20

第2章　Spark集群的安装与部署 21

2.1　Spark的安装与部署 21

2.1.1　在Linux集群上安装与配置Spark 21

2.1.2　在Windows上安装与配置Spark 30

2.2　Spark集群初试 33

2.3　本章小结 35

第3章　Spark计算模型 36

3.1　Spark程序模型 36

3.2　弹性分布式数据集 37

3.2.1　RDD简介 38

3.2.2　RDD与分布式共享内存的异同 38

3.2.3　Spark的数据存储 39

3.3　Spark算子分类及功能 41

3.3.1　Value型Transformation算子 42

3.3.2　Key-Value型Transformation算子 49

3.3.3　Actions算子 53

3.4　本章小结 59

第4章　Spark工作机制详解 60

4.1　Spark应用执行机制 60

4.1.1　Spark执行机制总览 60

4.1.2　Spark应用的概念 62

4.1.3　应用提交与执行方式 63

4.2　Spark调度与任务分配模块 65

4.2.1　Spark应用程序之间的调度 66

4.2.2　Spark应用程序内Job的调度 67

4.2.3　Stage和TaskSetManager调度方式 72

4.2.4　Task调度 74

4.3　Spark I/O机制 77

4.3.1　序列化 77

4.3.2　压缩 78

4.3.3　Spark块管理 80

4.4　Spark通信模块 93

4.4.1　通信框架AKKA 94

4.4.2　Client、Master和Worker间的通信 95

4.5　容错机制 104

4.5.1　Lineage机制 104

4.5.2　Checkpoint机制 108

4.6　Shuffle机制 110

4.7　本章小结 119

第5章　Spark开发环境配置及流程 120

5.1　Spark应用开发环境配置 120

5.1.1　使用Intellij开发Spark程序 120

5.1.2　使用Eclipse开发Spark程序 125

5.1.3　使用SBT构建Spark程序 129

5.1.4　使用Spark Shell开发运行Spark程序 130

5.2　远程调试Spark程序 130

5.3　Spark编译 132

5.4　配置Spark源码阅读环境 135

5.5　本章小结 135

第6章　Spark编程实战 136

6.1　WordCount 136

6.2　Top K 138

6.3　中位数 140

6.4　倒排索引 141

6.5　CountOnce 143

6.6　倾斜连接 144

6.7　股票趋势预测 146

6.8　本章小结 153

第7章　Benchmark使用详解 154

7.1　Benchmark简介 154

7.1.1　Intel Hibench与Berkeley BigDataBench 155

7.1.2　Hadoop GridMix 157

7.1.3　Bigbench、BigDataBenchmark与TPC-DS 158

7.1.4　其他Benchmark 161

7.2　Benchmark的组成 162

7.2.1　数据集 162

7.2.2　工作负载 163

7.2.3　度量指标 167

7.3　Benchmark的使用 168

7.3.1　使用Hibench 168

7.3.2　使用TPC-DS 170

7.3.3　使用BigDataBench 172

7.4　本章小结 176

第8章　BDAS简介 177

8.1　SQL on Spark 177

8.1.1　使用Spark SQL的原因 178

8.1.2　Spark SQL架构分析 179

8.1.3　Shark简介 182

8.1.4　Hive on Spark 184

8.1.5　未来展望 185

8.2　Spark Streaming 185

8.2.1　Spark Streaming简介 186

8.2.2　Spark Streaming架构 188

8.2.3　Spark Streaming原理剖析 189

8.2.4　Spark Streaming调优 198

8.2.5　Spark Streaming 实例 198

8.3　GraphX 205

8.3.1　GraphX简介 205

8.3.2　GraphX的使用 206

8.3.3　GraphX架构 209

8.3.4　运行实例 211

8.4　MLlib 215

8.4.1　MLlib简介 217

8.4.2　MLlib的数据存储 219

8.4.3　数据转换为向量（向量空间模型VSM） 222

8.4.4　MLlib中的聚类和分类 223

8.4.5　算法应用实例 228

8.4.6　利用MLlib进行电影推荐 230

8.5　本章小结 237

第9章　Spark性能调优 238

9.1　配置参数 238

9.2　调优技巧 239

9.2.1　调度与分区优化 240

9.2.2　内存存储优化 243

9.2.3　网络传输优化 249

9.2.4　序列化与压缩 251

9.2.5　其他优化方法 253

9.3　本章小结 255

作为一个基于内存计算的大数据并行计算框架，Spark不仅很好地解决了数据的实时处理问题，而且保证了高容错性和高可伸缩性。具体来讲，它有如下优势：
　　打造全栈多计算范式的高效数据流水线
　　轻量级快速处理
　　易于使用，支持多语言
　　与HDFS等存储层兼容
　　社区活跃度高
　　……

　　Spark已经在全球范围内广泛使用，无论是Intel、Yahoo!、Twitter、阿里巴巴、百度、腾讯等国际互联网巨头，还是一些尚处于成长期的小公司，都在使用Spark。本书作者结合自己在微软和IBM实践Spark的经历和经验，编写了这本书。站着初学者的角度，不仅系统、全面地讲解了Spark的各项功能及其使用方法，而且较深入地探讨了Spark的工作机制、运行原理以及BDAS生态系统中的其他技术，同时还有一些可供操作的案例，能让没有经验的读者迅速掌握Spark。更为重要的是，本书还对Spark的性能优化进行了探讨。

《Spark大数据处理：技术、应用与性能优化》根据全新技术版本，系统、全面、详细讲解Spark的各项功能使用、原理机制、技术细节、应用方法、性能优化，以及BDAS生态系统的相关技术。