Spark最佳实践

内容概要

陈欢

腾讯资深程序员，15年编码经验，曾任职网络安全、互联网金融等部门，亲手从零建设了财付通业务的Spark集群，并使之同时支持SQL、实时计算、机器学习等多种数据计算场景。他目前就职于腾讯社交与效果广告部，从事大数据分析工作。

林世飞

腾讯资深研究员，2005年加入腾讯，先后在无线产品、安全中心、搜索平台、开放平台、社交与效果广告部等部门从事开发和团队管理工作。他对网络安全、搜索引擎、数据挖掘、机器学习有一定了解，热衷知识传播和分享，曾获腾讯学院2009年年度优秀讲师。目前，他就职于社交与效果广告部，负责广告系统相关的研发工作。

书籍目录

第1章 　Spark与大数据　　1

1.1 　大数据的发展及现状　　1

1.1.1 　大数据时代所面临的问题　　1

1.1.2 　谷歌的大数据解决方案　　2

1.1.3 　Hadoop生态系统　　3

1.2 　Spark应时而生　　4

1.2.1 　Spark的起源　　4

1.2.2 　Spark的特点　　5

1.2.3 　Spark的未来发展　　6

第2章 　Spark基础　　8

2.1 　Spark本地单机模式体验　　8

2.1.1 　安装虚拟机　　8

2.1.2 　安装JDK　　19

2.1.3 　下载Spark预编译包　　21

2.1.4 　本地体验Spark　　22

2.2 　高可用Spark分布式集群部署　　25

2.2.1 　集群总览　　26

2.2.2 　集群机器的型号选择　　28

2.2.3 　初始化集群机器环境　　29

2.2.4 　部署ZooKeeper集群　　33

2.2.5 　编译Spark　　35

2.2.6 　部署Spark Standalone集群　　37

2.2.7 　高可用Hadoop集群　　40

2.2.8 　让Spark运行在YARN上　　40

2.2.9 　一键部署高可用Hadoop +Spark集群　　42

2.3 　Spark编程指南　　43

2.3.1 　交互式编程　　43

2.3.2 　RDD创建　　44

2.3.3 　RDD操作　　47

2.3.4 　使用其他语言开发Spark程序　　54

2.4 　打包和提交　　54

2.4.1 　编译、链接、打包　　54

2.4.2 　提交　　56

第3章 　Spark工作机制　　58

3.1 　调度管理　　58

3.1.1 　集群概述及名词解释　　58

3.1.2 　Spark程序之间的调度　　60

3.1.3 　Spark程序内部的调度　　63

3.2 　内存管理　　65

3.2.1 　RDD持久化　　65

3.2.2 　共享变量　　66

3.3 　容错机制　　67

3.3.1 　容错体系概述　　67

3.3.2 　Master节点失效　　68

3.3.3 　Slave节点失效　　69

3.4 　监控管理　　69

3.4.1 　Web界面　　69

3.4.2 　REST API　　72

3.4.3 　Metrics指标体系　　73

3.4.4 　其他监控工具　　73

3.5 　Spark程序配置管理　　73

3.5.1 　Spark程序配置加载过程　　74

3.5.2 　环境变量配置　　74

3.5.3 　Spark属性项配置　　74

3.5.4 　查看当前的配置　　76

3.5.5 　配置Spark日志　　76

第4章 　Spark内核讲解　　77

4.1 　Spark核心数据结构RDD　　77

4.1.1 　RDD的定义　　78

4.1.2 　RDD的Transformation　　80

4.1.3 　RDD的Action　　82

4.1.4 　Shuffle　　83

4.2 　SparkContext　　84

4.2.1 　SparkConf配置　　84

4.2.2 　初始化过程　　85

4.2.3 　其他功能接口　　87

4.3 　DAG调度　　87

4.3.1 　DAGScheduler　　87

4.3.2 　TaskScheduler　　90

第5章 　Spark SQL与数据仓库　　92

5.1 　Spark SQL基础　　93

5.1.1 　分布式SQL引擎　　93

5.1.2 　支持的SQL语法　　97

5.1.3 　支持的数据类型　　98

5.1.4 　DataFrame　　99

5.1.5 　DataFrame数据源　　103

5.1.6 　性能调优　　104

5.2 　Spark SQL原理和运行机制　　104

5.2.1 　Spark SQL整体架构　　105

5.2.2 　Catalyst执行优化器　　105

5.3 　应用场景：基于淘宝数据建立电商数据仓库　　110

5.3.1 　电商数据仓库场景　　111

5.3.2 　数据准备和表设计　　111

5.3.3 　用Spark SQL来完成日常运营数据分析　　115

5.3.4 　Spark SQL在大规模数据下的性能表现　　120

第6章 　Spark流式计算　　122

6.1 　Spark Streaming基础知识　　123

6.1.1 　入门简单示例　　123

6.1.2 　基本概念　　124

6.1.3 　高级操作　　129

6.2 　深入理解Spark Streaming　　132

6.2.1 　DStream的两类操作　　132

6.2.2 　容错处理　　134

6.2.3 　性能调优　　136

6.2.4 　与Storm的对比　　137

6.3 　应用场景：一个类似百度统计的流式实时系统　　139

6.3.1 　Web log实时统计场景　　139

6.3.2 　日志实时采集　　140

6.3.3 　流式分析系统实现　　140

第7章 　Spark图计算　　149

7.1 　什么是图计算　　149

7.1.1 　图的基本概念　　149

7.1.2 　图计算的应用　　150

7.2 　Spark GraphX简介　　151

7.2.1 　GraphX实现　　151

7.2.2 　GraphX常用API介绍　　152

7.3 　应用场景：基于新浪微博数据的社交网络分析　　153

7.3.1 　社交网络分析的主要应用　　153

7.3.2 　社区发现算法简介　　154

7.3.3 　用GraphX实现Louvain算法　　156

7.3.4 　小试牛刀：谁是你的闺蜜　　162

7.3.5 　真实的场景：新浪微博关系

分析　　164

第8章 　Spark MLlib　　169

8.1 　机器学习简介　　169

8.1.1 　什么是机器学习　　169

8.1.2 　机器学习示例　　171

8.1.3 　机器学习的基本方法　　172

8.1.4 　机器学习的常见技巧　　173

8.1.5 　机器学习参考资料　　174

8.2 　MLlib库简介　　174

8.2.1 　基础数据类型　　174

8.2.2 　主要的库　　175

8.2.3 　附带的示例程序　　176

8.3 　应用场景：搜索广告点击率预估系统　　178

8.3.1 　应用场景　　178

8.3.2 　逻辑回归　　179

8.3.3 　学习算法　　181

8.3.4 　模型评估　　184

8.3.5 　数据准备　　186

8.3.6 　模型训练　　187

8.3.7 　模型调优　　195

附录 　Scala语言参考　　197

作者简介

本书是Spark实战指南，全书共分8章。前4章介绍Spark的部署、工作机制和内核，后4章分别通过实战项目介绍Spark SQL、Spark Streaming、Spark GraphX和Spark MLib功能模块。此外，本书详细介绍了常见的实战问题，比如大数据环境下的配置设置、程序调优等。本书附带的一键安装脚本，更能为初学者提供很大帮助。

 Spark最佳实践下载