Spark海量數(shù)據(jù)處理技術詳解與平臺實戰(zhàn)

定　價：￥99.00

作　者：	范東來
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115507006	出版時間：	2019-12-01	包裝：
開本：	16開	頁數(shù)：	388	字數(shù)：

內(nèi)容簡介

　　本書基于Spark發(fā)行版2.4.4寫作而成，包含大量的實例與一個完整項目，層次分明，循序漸進。全書分為3部分，涵蓋了技術理論與實戰(zhàn)，讀者可以從實戰(zhàn)中鞏固學習到的知識。第一部分主要圍繞BDAS（伯克利數(shù)據(jù)分析棧），不僅介紹了如何開發(fā)Spark應用的基礎內(nèi)容，還介紹了Structured Streaming、Spark機器學習、Spark圖挖掘、Spark深度學習等高級主題，此外還介紹了Alluxio系統(tǒng)。第二部分實現(xiàn)了一個企業(yè)背景調(diào)查系統(tǒng)，比較新穎的是，該系統(tǒng)借鑒了數(shù)據(jù)湖與Lambda架構(gòu)的思想，涵蓋了批處理、流處理應用開發(fā)，并加入了一些開源組件來滿足需求，既是對本書第一部分很好的鞏固，又完整呈現(xiàn)了一個實時大數(shù)據(jù)應用的開發(fā)過程。第三部分是對全書的總結(jié)和展望。本書適合準備學習Spark的開發(fā)人員和數(shù)據(jù)分析師，以及準備將Spark應用到實際項目中的開發(fā)人員和管理人員閱讀，也適合計算機相關專業(yè)的高年級本科生和研究生學習和參考，對于具有一定的Spark使用經(jīng)驗并想進一步提升的數(shù)據(jù)科學從業(yè)者也是很好的參考資料。

作者簡介

　　范東來，北京航空航天大學碩士，泛山科技聯(lián)合創(chuàng)始人，Spark Contributor、SupersetContributor，架構(gòu)師，技術圖書作者和譯者，著有《Hadoop海量數(shù)據(jù)處理》，譯有《解讀NoSQL》《NoSQL**指南》《神經(jīng)網(wǎng)絡算法和實現(xiàn)》《Hadoop深度學習》《精通數(shù)據(jù)科學算法》等，另譯有暢銷小說《巧克力時代：因為這是我的血脈》。

圖書目錄

第一部分基礎篇
第　1章序篇　2
1．1　Spark與BDAS　3
1．2　Databricks　4
1．3　如何通過GitHub向Spark貢獻代碼　5
1．4　如何選擇Spark編程語言　8
1．5　函數(shù)式編程思想　9
1．6　小結(jié)　12
第　2章 Spark編程　13
2．1　Spark架構(gòu)　13
2．2　Spark 2．x與Spark 3．x　15
2．2．1　Tungsten項目　16
2．2．2　統(tǒng)一Dataset和DataFrame 接口　20
2．2．3　新一代流處理技術：Structured Streaming與持續(xù)型應用　21
2．2．4　Hydrogen項目和Spark 3．x　22
2．3　部署Spark　26
2．3．1　Spark on YARN　27
2．3．2　Spark on Mesos　28
2．3．3　Spark Standalone　29
2．3．4　Spark on Kubernetes　30
2．3．5　安裝Spark　31
2．3．6　提交作業(yè)　31
2．3．7　Spark Shell　33
2．3．8　初始化SparkSession　34
2．4　RDD與算子　34
2．4．1　RDD　34
2．4．2　創(chuàng)建RDD　36
2．4．3　轉(zhuǎn)換算子　38
2．4．4　行動算子　43
2．4．5　RDD血統(tǒng)與Spark容錯　45
2．5　Spark Shuffle　47
2．5．1　Hash Shuffle　47
2．5．2　Sort-based Shuffle　49
2．6　共享變量　50
2．6．1　廣播變量　50
2．6．2　累加器　53
2．7　Spark的多語言支持　55
2．7．1　PySpark　55
2．7．2　SparkR　56
2．8　Spark性能調(diào)優(yōu)　56
2．8．1　硬件配置與資源管理平臺　57
2．8．2　參數(shù)調(diào)優(yōu)與應用調(diào)優(yōu)　57
2．9　使用Jupyter Notebook基于Spark探索數(shù)據(jù)：蒙特卡羅方法預測股票價格　64
2．9．1　Jupyter Notebook　64
2．9．2　用蒙特卡羅方法預測股票價格　67
2．10　小結(jié)　70
第3章　Spark統(tǒng)一編程接口：DataFrame、Dataset和Spark SQL　71
3．1　Catalyst優(yōu)化器　72
3．1．1　SQL抽象語法樹　72
3．1．2　從ULEP到RLEP的過程　73
3．1．3　調(diào)優(yōu)RLEP　73
3．1．4　全階段代碼生成　74
3．2　DataFrame API　75
3．2．1　創(chuàng)建DataFrame　75
3．2．2　查詢　77
3．2．3　窗口函數(shù)　80
3．2．4　用戶自定義函數(shù)　83
3．2．5　寫入　85
3．3　Dataset API　86
3．3．1　RDD、DataFrame和Dataset　87
3．3．2　安全類型的UDAF　88
3．4　Spark SQL　89
3．4．1　創(chuàng)建臨時視圖　90
3．4．2　使用Hive元數(shù)據(jù)　90
3．4．3　查詢語句　91
3．4．4　函數(shù)　94
3．4．5　用戶自定義函數(shù)　97
3．5　Google Dremel與列式存儲　97
3．5．1　Apache Parquet　99
3．5．2　Apache ORC　100
3．5．3　Apache CarbonData　100
3．5．4　對比測試　101
3．6　使用Spark SQL進行數(shù)據(jù)探索　102
3．7　小結(jié)　107
第4章　Spark流處理：Spark Streaming
與Structured　Streaming　108
4．1　一個Spark Streaming流處理的例子　109
4．2　消息送達保證　110
4．3　Google MillWheel系統(tǒng)和Google Dataflow模型　114
4．3．1　Google MillWheel設計思想　114
4．3．2　Google MillWheel如何實現(xiàn)“恰好一次”消息送達語義　114
4．3．3　Google MillWheel對亂序數(shù)據(jù)與晚到數(shù)據(jù)的處理　115
4．3．4　Google Dataflow：流處理和批處理的統(tǒng)一與取舍　117
4．4　Spark Streaming　122
4．4．1　關鍵抽象與架構(gòu)　123
4．4．2　無狀態(tài)的轉(zhuǎn)換算子　125
4．4．3　有狀態(tài)的轉(zhuǎn)換算子　129
4．4．4　輸入與輸出　134
4．4．5　Spark Streaming與Spark SQL　138
4．4．6　容錯與結(jié)果正確性　139
4．4．7　性能調(diào)優(yōu)　141
4．5　Structured Streaming　144
4．5．1　關鍵抽象與架構(gòu)　144
4．5．2　操作　147
4．5．3　輸入和輸出　154
4．5．4　股票交易價格實時分析　157
4．6　流處理技術對比　162
4．7　小結(jié)　163
第5章　Spark圖計算：GraphX　164
5．1　圖模式　164
5．1．1　圖結(jié)構(gòu)　164
5．1．2　圖存儲　165
5．1．3　圖數(shù)據(jù)庫　168
5．1．4　圖挖掘技術　169
5．1．5　屬性圖與RDF　170
5．2　生成圖　171
5．2．1　從已有數(shù)據(jù)中生成　172
5．2．2　通過GraphGenerators生成　174
5．3　圖算子　175
5．3．1　屬性算子　175
5．3．2　結(jié)構(gòu)算子　175
5．3．3　連接算子　175
5．3．4　aggregateMessages　176
5．4　Pregel API　177
5．4．1　圖分區(qū)　177
5．4．2　像頂點一樣思考　180
5．4．3　用戶自定義函數(shù)　182
5．4．4　PageRank的GraphX實現(xiàn)　183
5．4．5　標簽傳播算法　186
5．5　SQL on Graph　187
5．5．1　生成圖　188
5．5．2　SQL查詢　189
5．5．3　模式發(fā)現(xiàn)　190
5．5．4　一些GraphX已經(jīng)有的算法　191
5．5．5　一些GraphX沒有的算法　191
5．5．6　AggregateMessages　192
5．6　n度鄰居頂點算法　193
5．7　小結(jié)　196
第6章　Spark機器學習：MLlib　197
6．1　機器學習　197
6．1．1　典型的機器學習工作流　198
6．1．2　機器學習任務的學習類型　199
6．2　Spark MLlib與Spark ML　201
6．3　數(shù)據(jù)預處理　205
6．3．1　數(shù)據(jù)標準化　205
6．3．2　缺失值處理　207
6．3．3　特征抽取　208
6．3．4　特征選擇　212
6．4　分類算法應用　214
6．4．1　決策樹　214
6．4．2　隨機森林　217
6．4．3　人體狀態(tài)監(jiān)測器　218
6．4．4　集成學習　223
6．4．5　梯度提升決策樹　224
6．5　聚類算法應用　225
6．5．1　物以類聚　225
6．5．2　k均值聚類算法　226
6．5．3　實現(xiàn)　227
6．6　推薦系統(tǒng)應用　230
6．6．1　基于用戶的協(xié)同過濾　231
6．6．2　基于商品的協(xié)同過濾　233
6．6．3　兩種協(xié)同過濾的對比　235
6．6．4　基于模型的協(xié)同過濾　236
6．6．5　Movielens電影推薦系統(tǒng)　237
6．7　訓練之后　238
6．7．1　模型評估　239
6．7．2　交叉驗證與超參調(diào)優(yōu)　241
6．8　流式機器學習　242
6．8．1　流回歸　242
6．8．2　流聚類　244
6．8．3　用流處理應用來監(jiān)控模型　245
6．9　小結(jié)　249
第7章　Spark深度學習：Deeplearning4j　250
7．1　常見的深度學習框架　251
7．2　Deeplearning4j　252
7．3　卷積神經(jīng)網(wǎng)絡　252
7．3．1　理解卷積神經(jīng)網(wǎng)絡　252
7．3．2　用Deeplearning4j訓練卷積神經(jīng)網(wǎng)絡　254
7．4　循環(huán)神經(jīng)網(wǎng)絡　257
7．4．1　理解循環(huán)神經(jīng)網(wǎng)絡　258
7．4．2　用Deeplearning4j訓練循環(huán)神經(jīng)網(wǎng)絡　262
7．5　自動編碼器　264
7．5．1　理解自動編碼器　264
7．5．2　用Deeplearning4j訓練自動編碼器　267
7．6　使用GPU　269
7．7　小結(jié)　270
第8章　分布式存儲：Alluxio　271
8．1　Alluxio架構(gòu)　271
8．1．1　Alluxio的組成部分　273
8．1．2　虛擬的Alluxio　273
8．1．3　統(tǒng)一而透明的命名空間　274
8．2　快速上手Alluxio　275
8．2．1　安裝Alluxio　275
8．2．2　Alluxio配置　276
8．2．3　Alluxio血統(tǒng)機制　277
8．3　與上層框架集成　277
8．3．1　與Spark集成　278
8．3．2　與Presto集成　279
8．3．3　與HBase集成　280
8．4　與底層存儲系統(tǒng)集成　281
8．4．1　與Ceph集成　281
8．4．2　掛載其他文件系統(tǒng)　281
8．5　如何訪問Alluxio　282
8．6　Alluxio應用案例　283
8．6．1　攜程網(wǎng)　283
8．6．2　滴滴出行　284
8．6．3　陌陌　286
8．7　小結(jié)　288
第二部分　應用篇
第9章　企業(yè)數(shù)據(jù)湖與Lambda架構(gòu)　290
9．1　數(shù)據(jù)湖　290
9．1．1　數(shù)據(jù)的湖泊　290
9．1．2　數(shù)據(jù)湖要解決的問題　291
9．1．3　數(shù)據(jù)湖與數(shù)據(jù)倉庫對比　292
9．1．4　數(shù)據(jù)湖如何工作　293
9．2　Lambda架構(gòu)　293
9．2．1　批處理層　294
9．2．2　服務層　295
9．2．3　速度層　295
9．2．4　Lambda架構(gòu)　296
9．2．5　Lambda架構(gòu)的原則　297
9．3　基于Lambda架構(gòu)的數(shù)據(jù)湖分層設計　297
9．3．1　數(shù)據(jù)獲取層　298
9．3．2　消息層　299
9．3．3　數(shù)據(jù)攝取層　300
9．3．4　數(shù)據(jù)存儲層　300
9．3．5　Lambda層　301
9．4　Lambda架構(gòu)的應用　301
9．4．1　搜索引擎　301
9．4．2　Druid　302
9．5　構(gòu)建Lambda架構(gòu)的技術　303
9．6　小結(jié)　304
第　10章大數(shù)據(jù)企業(yè)動態(tài)背景調(diào)查平臺　305
10．1　企業(yè)背景調(diào)查　305
10．2　基于大數(shù)據(jù)的企業(yè)動態(tài)背景調(diào)查　308
10．2．1　企業(yè)行為信息　308
10．2．2　企業(yè)關聯(lián)方分析　311
10．3　數(shù)據(jù)采集與數(shù)據(jù)字典　313
10．4　企業(yè)背景調(diào)查平臺需求　317
10．4．1　企業(yè)關聯(lián)圖譜展示　317
10．4．2　企業(yè)風險指標計算　318
10．5　企業(yè)關聯(lián)圖譜的模式　318
10．6　傳統(tǒng)數(shù)據(jù)倉庫架構(gòu)　320
10．7　小結(jié)　321
第　11章平臺設計　322
11．1　平臺架構(gòu)　322
11．1．1　數(shù)據(jù)源　323
11．1．2　數(shù)據(jù)管道　323
11．1．3　速度層　325
11．1．4　批處理層　325
11．1．5　服務層　325
11．1．6　查詢層　325
11．1．7　可視化組件　325
11．2　物理拓撲　326
11．3　服務層圖數(shù)據(jù)庫設計　326
11．4　項目規(guī)劃　327
11．5　小結(jié)　327
第　12章數(shù)據(jù)管道層　328
12．1　安裝并配置canal　328
12．2　實現(xiàn)Kafka生產(chǎn)者　330
12．3　安裝并配置Flume　335
12．4　小結(jié)　336
第　13章速度層　337
13．1　速度層輸入　337
13．1．1　類型1　338
13．1．2　類型2　338
13．1．3　類型3　339
13．1．4　類型4　340
13．2　Cypher基礎　341
13．2．1　寫入　342
13．2．2　讀取　343
13．2．3　刪除　344
13．3　生成Cypher語句　345
13．3．1　類型1　345
13．3．2　類型2　346
13．3．3　類型3　346
13．3．4　類型4　346
13．3．5　實現(xiàn)　347
13．4　整合Structured Streaming　352
13．4．1　Neo4jWriter　353
13．4．2　啟動流　354
13．5　小結(jié)　355
第　14章批處理層　356
14．1　自融風險監(jiān)測　356
14．2　生成主數(shù)據(jù)集　357
14．2．1　全量與增量　358
14．2．2　合并　359
14．2．3　數(shù)據(jù)治理　361
14．3　用GraphX計算企業(yè)自融風險值　363
14．4　導入HBase　364
14．5　調(diào)度中心　366
14．5．1　Airflow　366
14．5．2　配置　368
14．6　小結(jié)　370
第　15章服務層與查詢層　371
15．1　不僅僅是合并　371
15．1．1　NetworkX　372
15．1．2　計算流程　372
15．2　接口開發(fā)　372
15．3　小結(jié)　376
第三部分　總結(jié)篇
第　16章總結(jié)和展望　378
16．1　統(tǒng)一的大數(shù)據(jù)處理接口　378
16．1．1　Unified Spark　378
16．1．2　Apache Beam　379
16．2　Kappa架構(gòu)　380
16．3　大數(shù)據(jù)處理技術　382
16．3．1　Apache Flink　382
16．3．2　Apache Apex　383
16．3．3　Ray　384
16．4　Spark未來發(fā)展方向　386