Spark数据分析:基于Python语言(英文版）

定　　价：79 元 本教材已被 1 所学校申请过！

丛书名：经典原版书库

• 出版时间：2019/3/1
• ISBN：9787111620037
• 出 版 社：机械工业出版社

• 中图法分类：TP274 
• 页码：0
• 开本：16开
• 字数：230(单位：千字)

内容简介

本书重点关注Spark项目的基本知识，从Spark核心开始，然后拓展到各种Spark扩展、Spark相关项目、Spark子项目，以及Spark所处的丰富的生态系统里各种别的开源技术，比如Hadoop、Kafka、Cassandra等。

目 录

第一部分　Spark基础
第1章　大数据、Hadoop、Spark介绍 3
1.1　大数据、分布式计算、Hadoop简介 3
1.1.1　大数据与Hadoop简史 4
1.1.2　Hadoop详解 5
1.2　Apache Spark简介 11
1.2.1　Apache Spark背景 11
1.2.2　Spark的用途 12
1.2.3　Spark编程接口 12
1.2.4　Spark程序的提交类型 12
1.2.5　Spark应用程序的输入输出类型 14
1.2.6　Spark中的RDD 14
1.2.7　Spark与Hadoop 14
1.3　Python函数式编程 15
1.3.1　Python函数式编程用到的数据结构 15
1.3.2　Python对象序列化 18
1.3.3　Python函数式编程基础 21
1.4　本章小结 23
第2章　部署Spark 25
2.1　Spark部署模式 25
2.1.1　本地模式 26
2.1.2　Spark独立集群 26
2.1.3　基于YARN运行Spark 27
2.1.4　基于Mesos运行Spark 28
2.2　准备安装Spark 28
2.3　获取Spark 29
2.4　在Linux或Mac OS X上安装Spark 30
2.5　在Windows上安装Spark 32
2.6　探索Spark安装目录 34
2.7　部署多节点的Spark独立集群 35
2.8　在云上部署Spark 37
2.8.1　AWS 37
2.8.2　GCP 39
2.8.3　Databricks 40
2.9　本章小结 41
第3章　理解Spark集群架构 43
3.1　Spark应用中的术语 43
3.1.1　Spark驱动器 44
3.1.2　Spark工作节点与执行器 47
3.1.3　Spark主进程与集群管理器 49
3.2　使用独立集群的Spark应用 51
3.3　在YARN上运行Spark应用的部署模式 51
3.3.1　客户端模式 52
3.3.2　集群模式 53
3.3.3　回顾本地模式 54
3.4　本章小结 55
第4章　Spark编程基础 57
4.1　RDD简介 57
4.2　加载数据到RDD 59
4.2.1　从文件创建RDD 59
4.2.2　从文本文件创建RDD的方法 61
4.2.3　从对象文件创建RDD 64
4.2.4　从数据源创建RDD 64
4.2.5　从JSON文件创建RDD 67
4.2.6　通过编程创建RDD 69
4.3　RDD操作 70
4.3.1　RDD核心概念 70
4.3.2　基本的RDD转化操作 75
4.3.3　基本的RDD行动操作 79
4.3.4　键值对RDD的转化操作 83
4.3.5　MapReduce与单词计数练习 90
4.3.6　连接操作 93
4.3.7　在Spark中连接数据集 98
4.3.8　集合操作 101
4.3.9　数值型RDD的操作 103
4.4　本章小结 106
第二部分　基础拓展
第5章　Spark核心API高级编程 109
5.1　Spark中的共享变量 109
5.1.1　广播变量 110
5.1.2　累加器 114
5.1.3　练习：使用广播变量和累加器 117
5.2　Spark中的数据分区 118
5.2.1　分区概述 118
5.2.2　掌控分区 119
5.2.3　重分区函数 121
5.2.4　针对分区的API方法 123
5.3　RDD的存储选项 125
5.3.1　回顾RDD谱系 125
5.3.2　RDD存储选项 126
5.3.3　RDD缓存 129
5.3.4　持久化RDD 129
5.3.5　选择何时持久化或缓存RDD 132
5.3.6　保存RDD检查点 132
5.3.7　练习：保存RDD检查点 134
5.4　使用外部程序处理RDD 136
5.5　使用Spark进行数据采样 137
5.6　理解Spark应用与集群配置 139
5.6.1　Spark环境变量 139
5.6.2　Spark配置属性 143
5.7　Spark优化 146
5.7.1　早过滤，勤过滤 147
5.7.2　优化满足结合律的操作 147
5.7.3　理解函数和闭包的影响 149
5.7.4　收集数据的注意事项 150
5.7.5　使用配置参数调节和优化应用 150
5.7.6　避免低效的分区 151
5.7.7 　应用性能问题诊断 153
5.8　本章小结 157
第6章　使用Spark进行SQL与NoSQL编程 159
6.1　Spark SQL简介 159
6.1.1　Hive简介 160
6.1.2　Spark SQL架构 164
6.1.3　DataFrame入门 166
6.1.4　使用DataFrame 177
6.1.5　DataFrame缓存、持久化与重新分区 185
6.1.6　保存DataFrame输出 186
6.1.7　访问Spark SQL 189
6.1.8　练习：使用Spark SQL 192
6.2　在Spark中使用NoSQL系统 193
6.2.1　NoSQL简介 194
6.2.2　在Spark中使用HBase 195
6.2.3　练习：在Spark中使用HBase 198
6.2.4　在Spark中使用Cassandra 200
6.2.5　在Spark中使用DynamoDB 202
6.2.6　其他NoSQL平台 204
6.3　本章小结 204
第7章　使用Spark处理流数据与消息 207
7.1　Spark Streaming简介 207
7.1.1　Spark Streaming架构 208
7.1.2　DStream简介 209
7.1.3　练习：Spark Streaming入门 216
7.1.4　状态操作 217
7.1.5　滑动窗口操作 219
7.2　结构化流处理 221
7.2.1　结构化流处理数据源 222
7.2.2　结构化流处理的数据输出池 223
7.2.3　输出模式 224
7.2.4　结构化流处理操作 225
7.3　在Spark中使用消息系统 226
7.3.1　Apache Kafka 227
7.3.2　练习：在Spark中使用Kafka 232
7.3.3　亚马逊Kinesis 235
7.4　本章小结 238
第8章　Spark数据科学与机器学习简介 241
8.1　Spark与R语言 241
8.1.1　R语言简介 242
8.1.2　通过R语言使用Spark 248
8.1.3　练习：在RStudio中使用SparkR 255
8.2　Spark机器学习 257
8.2.1　机器学习基础 257
8.2.2　使用Spark MLlib进行机器学习 260
8.2.3　练习：使用Spark MLlib实现推荐器 265
8.2.4　使用Spark ML进行机器学习 269
8.3　利用笔记本使用Spark 273
8.3.1　利用Jupyter（IPython）笔记本使用Spark 273
8.3.2　利用Apache Zeppelin笔记本使用Spark 276
8.4　本章小结 277


Contents
I: Spark Foundations
1 Introducing Big Data, Hadoop, and Spark 3
Introduction to Big Data, Distributed Computing, and Hadoop 3
A Brief History of Big Data and Hadoop 4
Hadoop Explained 5
Introduction to Apache Spark 11
Apache Spark Background 11
Uses for Spark 12
Programming Interfaces to Spark 12
Submission Types for Spark Programs 12
Input/Output Types for Spark Applications 14
The Spark RDD 14
Spark and Hadoop 14
Functional Programming Using Python 15
Data Structures Used in Functional Python Programming 15
Python Object Serialization 18
Python Functional Programming Basics 21
Summary 23
2 Deploying Spark 25
Spark Deployment Modes 25
Local Mode 26
Spark Standalone 26
Spark on YARN 27
Spark on Mesos 28
Preparing to Install Spark 28
Getting Spark 29
Installing Spark on Linux or Mac OS X 30
Installing Spark on Windows 32
Exploring the Spark Installation 34
Deploying a Multi-Node Spark Standalone Cluster 35
Deploying Spark in the Cloud 37
Amazon Web Services (AWS) 37
Google Cloud Platform (GCP) 39
Databricks 40Summary 41
3 Understanding the Spark Cluster Architecture 43
Anatomy of a Spark Application 43
Spark Driver 44
Spark Workers and Executors 47
The Spark Master and Cluster Manager 49
Spark Applications Using the Standalone Scheduler 51
Deployment Modes for Spark Applications Running on YARN 51
Client Mode 52
Cluster Mode 53
Local Mode Revisited 54
Summary 55
4 Learning Spark Programming Basics 57
Introduction to RDDs 57
Loading Data into RDDs 59
Creating an RDD from a File or Files 59
Methods for Creating RDDs from a Text File or Files 61
Creating an RDD from an Object File 64
Creating an RDD from a Data Source 64
Creating RDDs from JSON Files 67
Creating an RDD Programmatically 69
Operations on RDDs 70
Key RDD Concepts 70
Basic RDD Transformations 75
Basic RDD Actions 79
Transformations on PairRDDs 83
MapReduce and Word Count Exercise 90
Join Transformations 93
Joining Datasets in Spark 98
Transformations on Sets 101
Transformations on Numeric RDDs 103
Summary 106
II: Beyond the Basics
5 Advanced Programming Using the Spark Core API 109
Shared Variables in Spark 109
Broadcast Variables 110
Accumulators 114
Exercise: Using Broadcast Variables and Accumulators 117
Partitioning Data in Spark 118
Partitioning Overview 118
Controlling Partitions 119
Repartitioning Functions 121
Partition-Specific or Partition-Aware API Methods 123
RDD Storage Options 125
RDD Lineage Revisited 125
RDD Storage Options 126
RDD Caching 129
Persisting RDDs 129
Choosing When to Persist or Cache RDDs 132
Checkpointing RDDs 132
Exercise: Checkpointing RDDs 134
Processing RDDs with External Programs 136
Data Sampling with Spark 137
Understanding Spark Application and Cluster Configuration 139
Spark Environment Variables 139
Spark Configuration Properties 143
Optimizing Spark 146
Filter Early, Filter Often 147
Optimizing Associative Operations 147
Understanding the Impact of Functions and Closures 149
Considerations for Collecting Data 150
Configuration Parameters for Tuning and Optimizing Applications 150
Avoiding Inefficient Partitioning 151
Diagnosing Application Performance Issues 153
Summary 157
6 SQL and NoSQL Programming with Spark 159
Introduction to Spark SQL 159
Introduction to Hive 160Spark SQL Architecture 164
Getting Started with DataFrames 166
Using DataFrames 177
Caching, Persisting, and Repartitioning DataFrames 185
Saving DataFrame Output 186
Accessing Spark SQL 189
Exercise: Using Spark SQL 192
Using Spark with NoSQL Systems 193
Introduction to NoSQL 194
Using Spark with HBase 195
Exercise: Using Spark with HBase 198
Using Spark with Cassandra 200
Using Spark with DynamoDB 202
Other NoSQL Platforms 204
Summary 204
7 Stream Processing and Messaging Using Spark 207
Introducing Spark Streaming 207
Spark Streaming Architecture 208
Introduction to DStreams 209
Exercise: Getting Started with Spark Streaming 216
State Operations 217
Sliding Window Operations 219
Structured Streaming 221
Structured Streaming Data Sources 222
Structured Streaming Data Sinks 223
Output Modes 224
Structured Streaming Operations 225
Using Spark with Messaging Platforms 226
Apache Kafka 227
Exercise: Using Spark with Kafka 232
Amazon Kinesis 235
Summary 238
8 Introduction to Data Science and Machine Learning Using Spark 241
Spark and R 241
Introduction to R 242
Using Spark with R 248
Exercise: Using RStudio with SparkR 255
Machine Learning with Spark 257
Machine Learning Primer 257
Machine Learning Using Spark MLlib 260
Exercise: Implementing a Recommender Using Spark MLlib 265
Machine Learning Using Spark ML 269
Using Notebooks with Spark 273
Using Jupyter (IPython) Notebooks with Spark 273
Using Apache Zeppelin Notebooks with Spark 276
Summary 277