目　　錄 第　1章 Spark概述及入門實戰(zhàn)　1 1.1　Spark簡介　3 1.1.1　為什么要學習Spark　3 1.1.2　學好Spark的關鍵點　5 1.1.3　Spark學習難點　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)調度和資源分配算法　49 2.1　Spark的作業(yè)調度　49 2.1.1　Spark作業(yè)運行框架概述　49 2.1.2　Spark調度器原理　51 2.1.3　Spark應用程序的核心概念　52 2.1.4　Spark應用程序的調度流程　52 2.1.5　在YARN級別調度Spark作業(yè)　58 2.1.6　在任務級別調度Spark作業(yè)　58 2.1.7　本地化調度簡介　62 2.1.8　本地化調度流程：延遲調度策略　64 2.1.9　Spark任務延遲調度　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資源調度　74 2.2.1　Spark on YARN運行模式　74 2.2.2　YARN調度器　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　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　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　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　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　175 4.8.3　Kafka數(shù)據(jù)存儲設計　176 4.8.4　Kafka消息并發(fā)設計　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　184 4.9.4　ElasticSearch副本架構　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　在結構化數(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性能調優(yōu)　228 6.1　內存調優(yōu)　228 6.1.1　JVM內存調優(yōu)　228 6.1.2　堆外內存設置　232 6.1.3　storageFraction設置　232 6.1.4　Spark JVM調優(yōu)的最佳實踐　233 6.2　任務調優(yōu)　234 6.2.1　驅動器數(shù)量、內存及CPU配置　234 6.2.2　設置合理的并行度　235 6.2.3　任務等待時長調優(yōu)　240 6.2.4　黑名單調優(yōu)　241 6.3　數(shù)據(jù)本地性調優(yōu)　242 6.3.1　數(shù)據(jù)本地化介紹　242 6.3.2　RDD的復用和數(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　連接不產生Shuffle：map-side關聯(lián)　251 6.5　Spark SQL調優(yōu)　251 6.6　Spark Shuffle調優(yōu)　252 6.7　Spark Streaming調優(yōu)　253 6.7.1　設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　設置合理的CPU資源　254 6.7.7　設置合理的JVM GC　254 6.7.8　在處理數(shù)據(jù)前進行重分區(qū)　254 6.7.9　設置合理的內存　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　導致數(shù)據(jù)傾斜的原因是什么　256 6.8.3　如何判斷Spark應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機器學習庫　259 7.1　Spark機器學習概述　259 7.1.1　為什么要使用機器學習　259 7.1.2　機器學習的應用場景　259 7.1.3　機器學習的分類　260 7.1.4　機器學習算法　261 7.1.5　機器學習流程概述　264 7.1.6　數(shù)據(jù)探索　274 7.2　Spark機器學習常用統(tǒng)計方法　276 7.2.1　常用統(tǒng)計指標概述　276 7.2.2　Spark ML基礎統(tǒng)計實戰(zhàn)　276 7.2.3　Spark ML相關性分析　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 術語的中英文對照表　321