目　　錄 第　1章 Spark概述及入門實戰(zhàn)　1 1.1　Spark簡介　3 1.1.1　為什么要學(xué)習(xí)Spark　3 1.1.2　學(xué)好Spark的關(guān)鍵點　5 1.1.3　Spark學(xué)習(xí)難點　6 1.1.4　本書編寫思路　6 1.2　Spark原理及特點　7 1.2.1　Spark的核心優(yōu)勢　7 1.2.2　Spark生態(tài)介紹　11 1.2.3　Spark模塊的組成　12 1.2.4　Spark運行模式　18 1.2.5　Spark集群的角色組成　18 1.2.6　Spark核心概念　21 1.2.7　Spark作業(yè)運行流程　27 1.3　Spark入門實戰(zhàn)　33 1.3.1　Spark獨立環(huán)境安裝實戰(zhàn)　33 1.3.2　YARN環(huán)境安裝實戰(zhàn)　36 1.3.3　Spark批處理作業(yè)入門實戰(zhàn)　39 1.3.4　Spark流式作業(yè)入門實戰(zhàn)　44 第　2章 Spark的作業(yè)調(diào)度和資源分配算法　49 2.1　Spark的作業(yè)調(diào)度　49 2.1.1　Spark作業(yè)運行框架概述　49 2.1.2　Spark調(diào)度器原理　51 2.1.3　Spark應(yīng)用程序的核心概念　52 2.1.4　Spark應(yīng)用程序的調(diào)度流程　52 2.1.5　在YARN級別調(diào)度Spark作業(yè)　58 2.1.6　在任務(wù)級別調(diào)度Spark作業(yè)　58 2.1.7　本地化調(diào)度簡介　62 2.1.8　本地化調(diào)度流程：延遲調(diào)度策略　64 2.1.9　Spark任務(wù)延遲調(diào)度　65 2.1.10　Spark失敗重試與黑名單機制　67 2.1.11　推測執(zhí)行　68 2.1.12　資源分配機制　70 2.2　Spark on YARN資源調(diào)度　74 2.2.1　Spark on YARN運行模式　74 2.2.2　YARN調(diào)度器　77 2.3　RDD概念　86 2.3.1　RDD簡介　86 2.3.2　RDD的特點　87 2.4　RDD分區(qū)　89 2.4.1　分區(qū)的概念　89 2.4.2　分區(qū)器　89 2.4.3　自定義分區(qū)器　91 2.5　RDD依賴關(guān)系　93 2.6　Stage　94 2.7　RDD持久化　95 2.7.1　RDD持久化的概念　95 2.7.2　RDD持久化的使用　95 2.7.3　RDD持久化級別　96 2.7.4　RDD持久化原則　97 2.8　RDD檢查點　98 2.9　RDD實戰(zhàn)　98 2.9.1　編寫一個簡單的RDD演示程序　98 2.9.2　利用外部存儲系統(tǒng)生成RDD　99 2.9.3　RDD支持Transformation操作和Action操作　101 2.9.4　RDD懶加載　101 2.9.5　Spark函數(shù)的3種實現(xiàn)方式　102 2.9.6　RDD操作中常用Transformation算子的原理及使用　102 2.9.7　RDD操作中常用Action算子的原理及使用　112 2.9.8　Spark廣播變量的概念、好處和使用　114 第3章　Spark SQL、DataFrame、Dataset原理和實戰(zhàn)　117 3.1　Spark SQL基礎(chǔ)概念　117 3.1.1　Spark SQL介紹　117 3.1.2　Spark SQL查詢語句介紹　117 3.1.3　DataFrame的概念　118 3.1.4　Dataset的概念　119 3.2　創(chuàng)建一個Spark SQL應(yīng)用　119 3.3　Spark SQL視圖操作　120 3.4　Spark Dataset操作　121 3.5　Spark DataFrame操作　122 3.5.1　DataFrame Schema設(shè)置　122 3.5.2　DataFrame數(shù)據(jù)加載　123 3.5.3　DataFrame數(shù)據(jù)保存　124 3.6　Spark SQL操作　124 3.6.1　Spark SQL表關(guān)聯(lián)操作　124 3.6.2　Spark SQL函數(shù)操作　125 第4章　深入理解Spark數(shù)據(jù)源　132 4.1　Spark文件讀寫原理　132 4.1.1　Spark數(shù)據(jù)分布　133 4.1.2　Spark數(shù)據(jù)讀取過程　135 4.1.3　Spark數(shù)據(jù)寫出過程　136 4.2　Spark數(shù)據(jù)格式　138 4.2.1　TEXT　138 4.2.2　CSV　139 4.2.3　JSON　140 4.2.4　Parquet　141 4.2.5　ORC　145 4.2.6　AVRO　148 4.2.7　到底應(yīng)該使用哪種數(shù)據(jù)格式　150 4.3　Spark讀寫HDFS　150 4.3.1　HDFS的概念和特點　150 4.3.2　HDFS架構(gòu)　151 4.3.3　HDFS數(shù)據(jù)的寫入和讀取流程　152 4.3.4　HDFS的使用　153 4.4　Spark讀寫HBase　153 4.4.1　HBase的概念　153 4.4.2　HBase架構(gòu)　154 4.4.3　HBase數(shù)據(jù)模型　156 4.4.4　HBase的使用　157 4.5　Spark讀寫MongoDB　159 4.5.1　MongoDB的概念　159 4.5.2　MongoDB數(shù)據(jù)模型　160 4.5.3　MongoDB架構(gòu)　161 4.5.4　MongoDB的使用　164 4.6　Spark讀寫Cassandra　167 4.6.1　Cassandra的概念　167 4.6.2　Gossip協(xié)議　167 4.6.3　Cassandra數(shù)據(jù)模型　168 4.6.4　Cassandra架構(gòu)　169 4.6.5　Cassandra的使用　171 4.7　Spark讀寫MySQL　173 4.8　Spark讀寫Kafka　174 4.8.1　Kafka的概念　174 4.8.2　Kafka集群架構(gòu)　175 4.8.3　Kafka數(shù)據(jù)存儲設(shè)計　176 4.8.4　Kafka消息并發(fā)設(shè)計　178 4.8.5　Kafka的使用　179 4.9　Spark讀寫ElasticSearch　182 4.9.1　ElasticSearch的概念　182 4.9.2　ElasticSearch數(shù)據(jù)模型　183 4.9.3　ElasticSearch集群架構(gòu)　184 4.9.4　ElasticSearch副本架構(gòu)　185 4.9.5　ElasticSearch的使用　186 第5章　Spark流式計算的原理和實戰(zhàn)　189 5.1　Spark Streaming　189 5.1.1　Spark Streaming介紹　189 5.1.2　Spark Streaming入門實戰(zhàn)　190 5.1.3　Spark Streaming的數(shù)據(jù)源　194 5.1.4　DStream　195 5.2　Spark Structured Streaming　199 5.2.1　Spark Structured Streaming介紹　199 5.2.2　Spark Structured Streaming的特點　200 5.2.3　Spark Structured Streaming的數(shù)據(jù)模型　201 5.2.4　創(chuàng)建一個Spark Structured Streaming應(yīng)用　202 5.2.5　時間概念、延遲數(shù)據(jù)處理策略和容錯語義　206 5.2.6　Spark Structured Streaming編程模型　208 5.2.7　在結(jié)構(gòu)化數(shù)據(jù)流上執(zhí)行操作　212 5.2.8　啟動Spark Structured Streaming　224 5.2.9　Spark Structured Streaming結(jié)果輸出　224 5.2.10　觸發(fā)器　226 第6章　億級數(shù)據(jù)處理平臺Spark性能調(diào)優(yōu)　228 6.1　內(nèi)存調(diào)優(yōu)　228 6.1.1　JVM內(nèi)存調(diào)優(yōu)　228 6.1.2　堆外內(nèi)存設(shè)置　232 6.1.3　storageFraction設(shè)置　232 6.1.4　Spark JVM調(diào)優(yōu)的最佳實踐　233 6.2　任務(wù)調(diào)優(yōu)　234 6.2.1　驅(qū)動器數(shù)量、內(nèi)存及CPU配置　234 6.2.2　設(shè)置合理的并行度　235 6.2.3　任務(wù)等待時長調(diào)優(yōu)　240 6.2.4　黑名單調(diào)優(yōu)　241 6.3　數(shù)據(jù)本地性調(diào)優(yōu)　242 6.3.1　數(shù)據(jù)本地化介紹　242 6.3.2　RDD的復(fù)用和數(shù)據(jù)持久化　243 6.3.3　廣播變量　244 6.3.4　Kryo序列化　245 6.3.5　檢查點　246 6.4　算子調(diào)優(yōu)　248 6.4.1　使用mapPartitions()或 mapPartitionWithIndex()函數(shù)取代map()函數(shù)　248 6.4.2　使用foreachPartition()函數(shù)取代foreach()函數(shù)　249 6.4.3　使用coalesce()函數(shù)取代repartition()函數(shù)　249 6.4.4　使用repartitionAndSortWithin- Partitions()函數(shù)取代“重分區(qū)+排序”操作　250 6.4.5　使用reduceByKey()函數(shù)取代groupByKey()函數(shù)　250 6.4.6　連接不產(chǎn)生Shuffle：map-side關(guān)聯(lián)　251 6.5　Spark SQL調(diào)優(yōu)　251 6.6　Spark Shuffle調(diào)優(yōu)　252 6.7　Spark Streaming調(diào)優(yōu)　253 6.7.1　設(shè)置合理的批處理時間（batchDuration）　253 6.7.2　增加并行度　253 6.7.3　使用Kryo序列化器序列化數(shù)據(jù)　254 6.7.4　緩存經(jīng)常需要使用的數(shù)據(jù)　254 6.7.5　清除不需要的數(shù)據(jù)　254 6.7.6　設(shè)置合理的CPU資源　254 6.7.7　設(shè)置合理的JVM GC　254 6.7.8　在處理數(shù)據(jù)前進行重分區(qū)　254 6.7.9　設(shè)置合理的內(nèi)存　255 6.8　處理Spark數(shù)據(jù)傾斜問題　255 6.8.1　什么是數(shù)據(jù)傾斜　255 6.8.2　導(dǎo)致數(shù)據(jù)傾斜的原因是什么　256 6.8.3　如何判斷Spark應(yīng)用程序在運行中出現(xiàn)了數(shù)據(jù)傾斜　256 6.8.4　數(shù)據(jù)傾斜消除方案　257 第7章　Spark機器學(xué)習(xí)庫　259 7.1　Spark機器學(xué)習(xí)概述　259 7.1.1　為什么要使用機器學(xué)習(xí)　259 7.1.2　機器學(xué)習(xí)的應(yīng)用場景　259 7.1.3　機器學(xué)習(xí)的分類　260 7.1.4　機器學(xué)習(xí)算法　261 7.1.5　機器學(xué)習(xí)流程概述　264 7.1.6　數(shù)據(jù)探索　274 7.2　Spark機器學(xué)習(xí)常用統(tǒng)計方法　276 7.2.1　常用統(tǒng)計指標概述　276 7.2.2　Spark ML基礎(chǔ)統(tǒng)計實戰(zhàn)　276 7.2.3　Spark ML相關(guān)性分析　277 7.2.4　Spark ML數(shù)據(jù)抽樣　279 7.3　Spark分類模型　280 7.3.1　分類模型介紹　280 7.3.2　線性回歸　283 7.3.3　邏輯回歸　286 7.3.4　樸素貝葉斯　288 7.3.5　決策樹　290 7.4　協(xié)同過濾　293 7.5　Spark聚類模型　295 7.5.1　聚類模型的概念　295 7.5.2　聚類分析算法　296 7.5.3　k-均值算法模型　296 第8章　Spark 3.0的新特性和數(shù)據(jù)湖　302 8.1　Spark 3.0新特性概述　302 8.1.1　AQE　303 8.1.2　Spark SQL的新特性　305 8.1.3　Koalas和增強的PySpark　310 8.1.4　數(shù)據(jù)湖　311 8.1.5　Hydrogen、流和可擴展性　311 8.1.6　Spark 3.0的其他新特性　311 8.2　Spark未來的趨勢——數(shù)據(jù)湖　312 8.2.1　為什么需要數(shù)據(jù)湖　312 8.2.2　Delta Lake　314 8.2.3　Delta Lake實戰(zhàn)　316 術(shù)語的中英文對照表　321