Spark快速大数据分析

作品简介

本书由Spark及核心成员共同打造，讲解了网络大数据时代应运而生的、能高效迅捷地分析处理数据的工具——Spark，它带领读者快速掌握用Spark收集、计算、简化和保存海量数据的方法，学会交互、迭代和增量式分析，解决分区、数据本地化和自定义序列化等问题。

Holden Karau是Databricks的软件开发工程师，活跃于开源社区。她还著有《Spark快速数据处理》。

Andy Konwinski是Databricks联合创始人，Apache Spark项目技术专家，还是Apache Mesos项目的联合发起人。

Patrick Wendell是Databricks联合创始人，也是Apache Spark项目技术专家。他还负责维护Spark核心引擎的几个子系统。

Matei Zaharia是Databricks的CTO，同时也是Apache Spark项目发起人以及Apache基金会副主席。

作品目录

• 推荐序
• 译者序
• 序
• 前言
• 第1章 Spark 数据分析导论
• 1.1　Spark是什么
• 1.2　一个大一统的软件栈
• 1.3　Spark的用户和用途
• 1.4　Spark简史
• 1.5　Spark的版本和发布
• 1.6　Spark的存储层次
• 第2章 Spark 下载与入门
• 2.1　下载Spark
• 2.2　Spark中Python和Scala的shell
• 2.3　Spark核心概念简介
• 2.4　独立应用
• 2.5　总结
• 第3章 RDD 编程
• 3.1　RDD基础
• 3.2　创建RDD
• 3.3　RDD操作
• 3.4　向Spark传递函数
• 3.5　常见的转化操作和行动操作
• 3.6　持久化(缓存)
• 3.7　总结
• 第4章 键值对操作
• 4.1　动机
• 4.2　创建Pair RDD
• 4.3　Pair RDD的转化操作
• 4.4　Pair RDD的行动操作
• 4.5　数据分区（进阶）
• 4.6　总结
• 第5章 数据读取与保存
• 5.1　动机
• 5.2　文件格式
• 5.3　文件系统
• 5.4　Spark SQL中的结构化数据
• 5.5　数据库
• 5.6　总结
• 第6章 Spark 编程进阶
• 6.1　简介
• 6.2　累加器
• 6.3　广播变量
• 6.4　基于分区进行操作
• 6.5　与外部程序间的管道
• 6.6　数值RDD的操作
• 6.7　总结
• 第7章 在集群上运行 Spark
• 7.1　简介
• 7.2　Spark运行时架构
• 7.3　使用spark-submit部署应用
• 7.4　打包代码与依赖
• 7.5　Spark应用内与应用间调度
• 7.6　集群管理器
• 7.7　选择合适的集群管理器
• 7.8　总结
• 第8章 Spark 调优与调试
• 8.1　使用SparkConf配置Spark
• 8.2　Spark执行的组成部分：作业、任务和步骤
• 8.3　查找信息
• 8.4　关键性能考量
• 8.5　总结
• 第9章 Spark SQL
• 9.1　连接Spark SQL
• 9.2　在应用中使用Spark SQL
• 9.3　读取和存储数据
• 9.4　JDBC/ODBC服务器
• 9.5　用户自定义函数
• 9.6　Spark SQL性能
• 9.7　总结
• 第10章 Spark Streaming
• 10.1　一个简单的例子
• 10.2　架构与抽象
• 10.3　转化操作
• 10.4　输出操作
• 10.5　输入源
• 10.6　24/7不间断运行
• 10.7　Streaming用户界面
• 10.8　性能考量
• 10.9　总结
• 第11章 基于MLlib的机器学习
• 11.1　概述
• 11.2　系统要求
• 11.3　机器学习基础
• 11.4　数据类型
• 11.5　算法
• 11.6　一些提示与性能考量
• 11.7　流水线API
• 11.8　总结