Spark快速大数据分析
相关资料
[
“spark是构建大数据应用流行的框架，而如果有人要我推荐一些指南书籍，《spark快速大数据分析》无疑会排在首位。”
——ben lorica，o’reilly首席数据科学家
]
本书特色
[
本书由 spark 开发者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。
]
内容简介
[
spark开发者出品！
《spark快速大数据分析》是一本为spark初学者准备的书，它没有过多深入实现细节，而是更多关注上层用户的具体用法。不过，本书绝不仅仅限于spark的用法，它对spark的核心概念和基本原理也有较为全面的介绍，让读者能够知其然且知其所以然。
本书介绍了开源集群计算系统apache spark，它可以加速数据分析的实现和运行。利用spark，你可以用python、java以及scala的简易api来快速操控大规模数据集。
本书由spark开发者编写，可以让数据科学家和工程师即刻上手。你能学到如何使用简短的代码实现复杂的并行作业，还能了解从简单的批处理作业到流处理以及机器学习等应用。
]
作者简介
[
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。
]
目录
目录推荐序 xi译者序 xiv序 xvi前言 xvii第1章 spark数据分析导论 11.1 spark是什么 11.2 一个大一统的软件栈 21.2.1 spark core 21.2.2 spark sql 31.2.3 spark streaming 31.2.4 mllib 31.2.5 graphx 31.2.6 集群管理器 41.3 spark的用户和用途 41.3.1 数据科学任务 41.3.2 数据处理应用 51.4 spark简史 51.5 spark的版本和发布 61.6 spark的存储层次 6第2章 spark下载与入门 72.1 下载spark 72.2 spark中python和scala的shell 92.3 spark 核心概念简介 122.4 独立应用 142.4.1 初始化sparkcontext 152.4.2 构建独立应用 162.5 总结 19第3章 rdd编程 213.1 rdd基础 213.2 创建rdd 233.3 rdd操作 243.3.1 转化操作 243.3.2 行动操作 263.3.3 惰性求值 273.4 向spark传递函数 273.4.1 python 273.4.2 scala 283.4.3 java 293.5 常见的转化操作和行动操作 303.5.1 基本rdd 303.5.2 在不同rdd类型间转换 373.6 持久化( 缓存) 393.7 总结 40第4章 键值对操作 414.1 动机 414.2 创建pair rdd 424.3 pair rdd的转化操作 424.3.1 聚合操作 454.3.2 数据分组 494.3.3 连接 504.3.4 数据排序 514.4 pair rdd的行动操作 524.5 数据分区（进阶） 524.5.1 获取rdd的分区方式 554.5.2 从分区中获益的操作 564.5.3 影响分区方式的操作 574.5.4 示例：pagerank 574.5.5 自定义分区方式 594.6 总结 61第5章 数据读取与保存 635.1 动机 635.2 文件格式 645.2.1 文本文件 645.2.2 json 665.2.3 逗号分隔值与制表符分隔值 685.2.4 sequencefile 715.2.5 对象文件 735.2.6 hadoop输入输出格式 735.2.7 文件压缩 775.3 文件系统 785.3.1 本地/“常规”文件系统 785.3.2 amazon s3 785.3.3 hdfs 795.4 spark sql中的结构化数据 795.4.1 apache hive 805.4.2 json 805.5 数据库 815.5.1 java数据库连接 815.5.2 cassandra 825.5.3 hbase 845.5.4 elasticsearch 855.6 总结 86第6章 spark编程进阶 876.1 简介 876.2 累加器 886.2.1 累加器与容错性 906.2.2 自定义累加器 916.3 广播变量 916.4 基于分区进行操作 946.5 与外部程序间的管道 966.6 数值rdd 的操作 996.7 总结 100第7章 在集群上运行spark 1017.1 简介 1017.2 spark运行时架构 1017.2.1 驱动器节点 1027.2.2 执行器节点 1037.2.3 集群管理器 1037.2.4 启动一个程序 1047.2.5 小结 1047.3 使用spark-submit 部署应用 1057.4 打包代码与依赖 1077.4.1 使用maven构建的用java编写的spark应用 1087.4.2 使用sbt构建的用scala编写的spark应用 1097.4.3 依赖冲突 1117.5 spark应用内与应用间调度 1117.6 集群管理器 1127.6.1 独立集群管理器 1127.6.2 hadoop yarn 1157.6.3 apache mesos 1167.6.4 amazon ec2 1177.7 选择合适的集群管理器 1207.8 总结 121第8章 spark调优与调试 1238.1 使用sparkconf配置spark 1238.2 spark执行的组成部分：作业、任务和步骤 1278.3 查找信息 1318.3.1 spark网页用户界面 1318.3.2 驱动器进程和执行器进程的日志 1348.4 关键性能考量 1358.4.1 并行度 1358.4.2 序列化格式 1368.4.3 内存管理 1378.4.4 硬件供给 1388.5 总结 139第9章 spark sql 1419.1 连接spark sql 1429.2 在应用中使用spark sql 1449.2.1 初始化spark sql 1449.2.2 基本查询示例 1459.2.3 schemardd 1469.2.4 缓存 1489.3 读取和存储数据 1499.3.1 apache hive 1499.3.2 parquet 1509.3.3 json 1509.3.4 基于rdd 1529.4 jdbc/odbc服务器 1539.4.1 使用beeline 1559.4.2 长生命周期的表与查询 1569.5 用户自定义函数 1569.5.1 spark sql udf 1569.5.2 hive udf 1579.6 spark sql性能 1589.7 总结 159第10章 spark streaming 16110.1 一个简单的例子 16210.2 架构与抽象 16410.3 转化操作 16710.3.1 无状态转化操作 16710.3.2 有状态转化操作 16910.4 输出操作 17310.5 输入源 17510.5.1 核心数据源 17510.5.2 附加数据源 17610.5.3 多数据源与集群规模 17910.6 24/7不间断运行 18010.6.1 检查点机制 18010.6.2 驱动器程序容错 18110.6.3 工作节点容错 18210.6.4 接收器容错 18210.6.5 处理保证 18310.7 streaming用户界面 18310.8 性能考量 18410.8.1 批次和窗口大小 18410.8.2 并行度 18410.8.3 垃圾回收和内存使用 18510.9 总结 185第11章 基于mllib的机器学习 18711.1 概述 18711.2 系统要求 18811.3 机器学习基础 18911.4 数据类型 19211.5 算法 19411.5.1 特征提取 19411.5.2 统计 19611.5.3 分类与回归 19711.5.4 聚类 20211.5.5 协同过滤与推荐 20311.5.6 降维 20411.5.7 模型评估 20611.6 一些提示与性能考量 20611.6.1 准备特征 20611.6.2 配置算法 20711.6.3 缓存rdd以重复使用 20711.6.4 识别稀疏程度 20711.6.5 并行度 20711.7 流水线api 20811.8 总结 209作者简介 210封面介绍 210
封面
书名:Spark快速大数据分析
作者:卡劳
页数:209
定价:¥59.0
出版社:人民邮电出版社
出版日期:2015-09-01
ISBN:9787115403094
PDF电子书大小:46MB 高清扫描完整版