Spark大數(shù)據(jù)技術(shù)與應(yīng)用

第1章 Spark簡介與運(yùn)行原理　1
1．1　Spark是什么　1
1．1．1　Spark的版本發(fā)展歷程　2
1．1．2　Spark與Hadoop的區(qū)別與聯(lián)系　2
1．1．3　Spark的應(yīng)用場景　3
1．2　Spark的生態(tài)系統(tǒng)　3
1．3　Spark的架構(gòu)與原理　4
1．3．1　Spark架構(gòu)設(shè)計(jì)　4
1．3．2　Spark作業(yè)運(yùn)行流程　5
1．3．3　Spark分布式計(jì)算流程　6
1．4　Spark 2．X新特性　6
1．4．1　精簡的API　6
1．4．2　Spark作為編譯器　7
1．4．3　智能化程度　7
1．5　小結(jié)　7
習(xí)題　8
第2章　Spark的環(huán)境搭建　9
2．1　環(huán)境搭建前的準(zhǔn)備　9
2．2　Spark相關(guān)配置　13
2．2．1　安裝SSH　13
2．2．2　SSH免密碼登錄　14
2．2．3　修改訪問權(quán)限　15
2．2．4　修改profile文件　15
2．2．5　修改Spark配置文件　16
2．3　Spark集群啟動(dòng)與關(guān)閉　17
2．4　Spark應(yīng)用提交到集群　18
2．5　Spark Web監(jiān)控頁面　19
2．6　小結(jié)　20
習(xí)題　20
第3章　使用Python開發(fā)Spark應(yīng)用　21
3．1　Python編程語言　21
3．1．1　Python語言介紹　21
3．1．2　PySpark是什么　22
3．2　PySpark的啟動(dòng)與日志設(shè)置　22
3．2．1　PySpark的啟動(dòng)方式　22
3．2．2　日志輸出內(nèi)容控制　24
3．3　PySpark開發(fā)包的安裝　24
3．3．1　使用pip命令安裝　24
3．3．2　使用離線包安裝　25
3．4　使用PyCharm編寫Spark應(yīng)用　25
3．4．1　PyCharm的安裝與基本配置　25
3．4．2　編寫Spark應(yīng)用　27
3．5　小結(jié)　29
習(xí)題　30
第4章　Spark RDD　31
4．1　彈性分布式數(shù)據(jù)集　31
4．1．1　RDD的定義　31
4．1．2　RDD的特點(diǎn)　32
4．1．3　RDD的創(chuàng)建　33
4．1．4　RDD的操作　34
4．2　transform算子　34
4．2．1　map轉(zhuǎn)換　34
4．2．2　flatMap轉(zhuǎn)換　35
4．2．3　filter轉(zhuǎn)換　35
4．2．4　union轉(zhuǎn)換　35
4．2．5　intersection轉(zhuǎn)換　36
4．2．6　distinct轉(zhuǎn)換　36
4．2．7　sortBy轉(zhuǎn)換　36
4．2．8　mapPartitions轉(zhuǎn)換　36
4．2．9　mapPartitionsWithIndex轉(zhuǎn)換　37
4．2．10　partitionBy轉(zhuǎn)換　37
4．3　action算子　37
4．3．1　reduce(f)動(dòng)作　37
4．3．2　collect( )動(dòng)作　38
4．3．3　count( )動(dòng)作　38
4．3．4　take(num)動(dòng)作　39
4．3．5　first( )動(dòng)作　39
4．3．6　top(num)動(dòng)作　39
4．3．7　saveAsTextFile( )動(dòng)作　39
4．3．8　foreach(f)動(dòng)作　40
4．3．9　foreachPartition(f)動(dòng)作　40
4．4　RDD Key-Value轉(zhuǎn)換算子　41
4．4．1　mapValues(f)操作　41
4．4．2　flatMapValues(f)操作　41
4．4．3　combineByKey操作　41
4．4．4　reduceByKey操作　42
4．4．5　groupByKey操作　42
4．4．6　sortByKey操作　43
4．4．7　keys( )操作　43
4．4．8　values( )操作　43
4．4．9　join操作　43
4．4．10　leftOuterJoin操作　43
4．4．11　rightOuterJoin操作　44
4．5　RDD Key-Value動(dòng)作運(yùn)算　44
4．5．1　collectAsMap( )操作　44
4．5．2　countByKey( )操作　44
4．6　共享變量　45
4．6．1　累加器　45
4．6．2　廣播變量　45
4．7　依賴關(guān)系　47
4．7．1　血統(tǒng)　47
4．7．2　寬依賴與窄依賴　47
4．7．3　shuffle　48
4．7．4　DAG的生成　49
4．8　Spark RDD的持久化　50
4．8．1　持久化使用方法　50
4．8．2　持久化存儲(chǔ)等級(jí)　51
4．8．3　檢查點(diǎn)　52
4．9　小結(jié)　52
習(xí)題　52
第5章　DataFrame與Spark SQL　54
5．1　DataFrame　54
5．1．1　DataFrame介紹　54
5．1．2　DataFrame創(chuàng)建　55
5．2　Spark SQL　56
5．2．1　Spark SQL介紹　56
5．2．2　Spark SQL的執(zhí)行原理　57
5．2．3　Spark SQL的創(chuàng)建　58
5．3　Spark SQL、DataFrame的常用操作　61
5．3．1　字段計(jì)算　61
5．3．2　條件查詢　62
5．3．3　數(shù)據(jù)排序　63
5．3．4　數(shù)據(jù)去重　63
5．3．5　數(shù)據(jù)分組統(tǒng)計(jì)　64
5．3．6　數(shù)據(jù)連接　65
5．3．7　數(shù)據(jù)繪圖　67
5．4　小結(jié)　68
習(xí)題　69
第6章　Spark Streaming　70
6．1　Spark Streaming介紹　70
6．1．1　什么是Spark Streaming　70
6．1．2　Spark Streaming工作原理　70
6．2　流數(shù)據(jù)加載　71
6．2．1　初始化StreamingContext　71
6．2．2　Discretized Stream離散化流　71
6．2．3　Spark Streaming數(shù)據(jù)源　72
6．3　DStream輸出操作　73
6．4　DStream轉(zhuǎn)換操作　75
6．4．1　map轉(zhuǎn)換　75
6．4．2　flatMap轉(zhuǎn)換　76
6．4．3　filter轉(zhuǎn)換　76
6．4．4　reduceByKey轉(zhuǎn)換　77
6．4．5　count轉(zhuǎn)換　77
6．4．6　updateStateByKey轉(zhuǎn)換　77
6．4．7　其他轉(zhuǎn)換　78
6．5　DataFrame與SQL操作　78
6．6　實(shí)時(shí)WordCount實(shí)驗(yàn)　79
6．7　小結(jié)　81
習(xí)題　81
第7章　Spark機(jī)器學(xué)習(xí)庫　82
7．1　Spark機(jī)器學(xué)習(xí)庫　82
7．1．1　機(jī)器學(xué)習(xí)簡介　82
7．1．2　Spark機(jī)器學(xué)習(xí)庫的構(gòu)成　82
7．2　準(zhǔn)備數(shù)據(jù)　83
7．2．1　獲取數(shù)據(jù)　83
7．2．2　數(shù)據(jù)預(yù)處理　84
7．2．3　數(shù)據(jù)探索　84
7．3　使用MLlib機(jī)器學(xué)習(xí)庫　85
7．3．1　搭建環(huán)境　85
7．3．2　加載數(shù)據(jù)　86
7．3．3　探索數(shù)據(jù)　89
7．3．4　預(yù)測嬰兒生存機(jī)會(huì)　92
7．4　使用ML機(jī)器學(xué)習(xí)庫　93
7．4．1　轉(zhuǎn)換器、評(píng)估器和管道　94
7．4．2　預(yù)測嬰兒生存率　95
7．5　小結(jié)　97
習(xí)題　97
第8章　GraphFrames圖計(jì)算　98
8．1　圖　98
8．1．1　度　99
8．1．2　路徑和環(huán)　99
8．1．3　二分圖　100
8．1．4　多重圖和偽圖　100
8．2　GraphFrames介紹　101
8．2．1　應(yīng)用背景　101
8．2．2　GraphFrames庫　102
8．2．3　使用GraphFrames庫　102
8．3　GraphFrame編程模型　102
8．3．1　GraphFrame實(shí)例　103
8．3．2　視圖和圖操作　104
8．3．3　模式發(fā)現(xiàn)　105
8．3．4　圖加載和保存　105
8．4　GraphFrames實(shí)現(xiàn)的算法　106
8．4．1　廣度優(yōu)先搜索　106
8．4．2　最短路徑　106
8．4．3　三角形計(jì)數(shù)　107
8．4．4　連通分量　107
8．4．5　標(biāo)簽傳播算法　108
8．4．6　PageRank算法　109
8．5　基于GraphFrames的網(wǎng)頁排名　110
8．5．1　準(zhǔn)備數(shù)據(jù)集　110
8．5．2　創(chuàng)建GraphFrames　111
8．5．3　使用PageRank進(jìn)行網(wǎng)頁排名　111
8．6　小結(jié)　111
習(xí)題　111
第9章　出租車數(shù)據(jù)分析　112
9．1　數(shù)據(jù)處理　112
9．2　數(shù)據(jù)分析　113
9．2．1　創(chuàng)建DataFrame　113
9．2．2　KMeans聚類分析　114
9．3　百度地圖可視化　115
9．3．1　申請(qǐng)地圖key　115
9．3．2　聚類結(jié)果可視化　116
9．4　小結(jié)　117
第10章　圖書推薦系統(tǒng)　118
10．1　Django簡介　118
10．1．1　Django是什么　118
10．1．2　ORM模型　119
10．1．3　Django模板　119
10．1．4　View視圖　120
10．2　Django項(xiàng)目搭建　121
10．2．1　創(chuàng)建項(xiàng)目　121
10．2．2　創(chuàng)建應(yīng)用　122
10．2．3　創(chuàng)建模型　122
10．3　推薦引擎設(shè)計(jì)　124
10．3．1　導(dǎo)入數(shù)據(jù)　124
10．3．2　訓(xùn)練模型　126
10．3．3　圖書推薦　127
10．4　系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)　128
10．4．1　Bootstrap介紹與使用　128
10．4．2　Redis數(shù)據(jù)庫安裝與使用　129
10．4．3　視圖與路由設(shè)計(jì)　130
10．5　小結(jié)　132