涵盖Spark3.0的新特性，着重展示如何利用机器学习算法执行大数据分析。
电子书
编辑推荐
本书从零开始讲解 Spark。
内容简介
本书由 Spark ***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。
章节目录
- 扉页
- 版权
- 版权声明
- O’Reilly Media, Inc.介绍
- 目录
- 推荐序
- 译者序
- 序
- 前言
- 第1章 Spark数据分析导论
- 1.1 Spark是什么？
- 1.2 一个大一统的软件栈
- 1.2.1 Spark Core
- 1.2.2 Spark SQL
- 1.2.3 Spark Streaming
- 1.2.4 MLlib
- 1.2.5 GraphX
- 1.2.6 集群管理器
- 1.3 Spark的用户和用途
- 1.3.1 数据科学任务
- 1.3.2 数据处理应用
- 1.4 Spark简史
- 1.5 Spark的版本和发布
- 1.6 Spark的存储层次
- 第2章 Spark下载与入门
- 2.1 下载Spark
- 2.2 Spark中Python和Scala的shell
- 2.3 Spark核心概念简介
- 2.4 独立应用
- 2.4.1 初始化SparkContext
- 2.4.2 构建独立应用
- 2.5 总结
- 第3章 RDD编程
- 3.1 RDD基础
- 3.2 创建RDD
- 3.3 RDD操作
- 3.3.1 转化操作
- 3.3.2 行动操作
- 3.3.3 惰性求值
- 3.4 向Spark传递函数
- 3.4.1 Python
- 3.4.2 Scala
- 3.4.3 Java
- 3.5 常见的转化操作和行动操作
- 3.5.1 基本RDD
- 3.5.2 在不同RDD类型间转换
- 3.6 持久化(缓存)
- 3.7 总结
- 第4章 键值对操作
- 4.1 动机
- 4.2 创建Pair RDD
- 4.3 Pair RDD的转化操作
- 4.3.1 聚合操作
- 4.3.2 数据分组
- 4.3.3 连接
- 4.3.4 数据排序
- 4.4 Pair RDD的行动操作
- 4.5 数据分区（进阶）
- 4.5.1 获取RDD的分区方式
- 4.5.2 从分区中获益的操作
- 4.5.3 影响分区方式的操作
- 4.5.4 示例：PageNumberRank
- 4.5.5 自定义分区方式
- 4.6 总结
- 第5章 数据读取与保存
- 5.1 动机
- 5.2 文件格式
- 5.2.1 文本文件
- 5.2.2 JSON
- 5.2.3 逗号分隔值与制表符分隔值
- 5.2.4 SequenceFile
- 5.2.5 对象文件
- 5.2.6 Hadoop输入输出格式
- 5.2.7 文件压缩
- 5.3 文件系统
- 5.3.1 本地/“常规”文件系统
- 5.3.2 Amazon S3
- 5.3.3 HDFS
- 5.4 Spark SQL中的结构化数据
- 5.4.1 Apache Hive
- 5.4.2 JSON
- 5.5 数据库
- 5.5.1 Java数据库连接
- 5.5.2 Cassandra
- 5.5.3 HBase
- 5.5.4 Elasticsearch
- 5.6 总结
- 第6章 Spark编程进阶
- 6.1 简介
- 6.2 累加器
- 6.2.1 累加器与容错性
- 6.2.2 自定义累加器
- 6.3 广播变量
- 6.4 基于分区进行操作
- 6.5 与外部程序间的管道
- 6.6 数值RDD的操作
- 6.7 总结
- 第7章 在集群上运行Spark
- 7.1 简介
- 7.2 Spark运行时架构
- 7.2.1 驱动器节点
- 7.2.2 执行器节点
- 7.2.3 集群管理器
- 7.2.4 启动一个程序
- 7.2.5 小结
- 7.3 使用spark-submit部署应用
- 7.4 打包代码与依赖
- 7.4.1 使用Maven构建的用Java编写的Spark应用
- 7.4.2 使用sbt构建的用Scala编写的Spark应用
- 7.4.3 依赖冲突
- 7.5 Spark应用内与应用间调度
- 7.6 集群管理器
- 7.6.1 独立集群管理器
- 7.6.2 Hadoop YARN
- 7.6.3 Apache Mesos
- 7.6.4 Amazon EC2
- 7.7 选择合适的集群管理器
- 7.8 总结
- 第8章 Spark调优与调试
- 8.1 使用SparkConf配置Spark
- 8.2 Spark执行的组成部分：作业、任务和步骤
- 8.3 查找信息
- 8.3.1 Spark网页用户界面
- 8.3.2 驱动器进程和执行器进程的日志
- 8.4 关键性能考量
- 8.4.1 并行度
- 8.4.2 序列化格式
- 8.4.3 内存管理
- 8.4.4 硬件供给
- 8.5 总结
- 第9章 Spark SQL
- 9.1 连接Spark SQL
- 9.2 在应用中使用Spark SQL
- 9.2.1 初始化Spark SQL
- 9.2.2 基本查询示例
- 9.2.3 SchemaRDD
- 9.2.4 缓存
- 9.3 读取和存储数据
- 9.3.1 Apache Hive
- 9.3.2 Parquet
- 9.3.3 JSON
- 9.3.4 基于RDD
- 9.4 JDBC/ODBC服务器
- 9.4.1 使用Beeline
- 9.4.2 长生命周期的表与查询
- 9.5 用户自定义函数
- 9.5.1 Spark SQL UDF
- 9.5.2 Hive UDF
- 9.6 Spark SQL性能
- 9.7 总结
- 第10章 Spark Streaming
- 10.1 一个简单的例子
- 10.2 架构与抽象
- 10.3 转化操作
- 10.3.1 无状态转化操作
- 10.3.2 有状态转化操作
- 10.4 输出操作
- 10.5 输入源
- 10.5.1 核心数据源
- 10.5.2 附加数据源
- 10.5.3 多数据源与集群规模
- 10.6 24/7不间断运行
- 10.6.1 检查点机制
- 10.6.2 驱动器程序容错
- 10.6.3 工作节点容错
- 10.6.4 接收器容错
- 10.6.5 处理保证
- 10.7 Streaming用户界面
- 10.8 性能考量
- 10.8.1 批次和窗口大小
- 10.8.2 并行度
- 10.8.3 垃圾回收和内存使用
- 10.9 总结
- 第11章 基于MLlib的机器学习
- 11.1 概述
- 11.2 系统要求
- 11.3 机器学习基础
- 11.4 数据类型
- 11.5 算法
- 11.5.1 特征提取
- 11.5.2 统计
- 11.5.3 分类与回归
- 11.5.4 聚类
- 11.5.5 协同过滤与推荐
- 11.5.6 降维
- 11.5.7 模型评估
- 11.6 一些提示与性能考量
- 11.6.1 准备特征
- 11.6.2 配置算法
- 11.6.3 缓存RDD以重复使用
- 11.6.4 识别稀疏程度
- 11.6.5 并行度
- 11.7 流水线API
- 11.8 总结
- 作者简介
- 封面介绍
展开全部
Spark快速大数据分析是2015年由人民邮电出版社出版,作者[美]HoldenKarau。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《Spark快速大数据分析》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
涵盖Spark3.0的新特性，着重展示如何利用机器学习算法执行大数据分析。
电子书
数据科学与大数据技术专业系列规划教材。强调概念+算法实践，让你“小数据”上会“算”，“大数据”上“算得快”。
电子书
在数字经济时代，数据是重要的资源要素；同时，新的数据又在源源不断地产生，企业面临的一个基本问题就是如何管理和利用这些数据，这对传统的数据处理方法与分析框架提出了新的诉求和挑战，...
电子书
本书是厦门大学作者团队长期经验总结的结晶，是在厦门大学《大数据技术原理与应用》入门级大数据教材的基础之上编写的。为了确保教程质量，在编著出版纸质教材之前，实验室已经于2016年...
电子书
国内高校大数据课程知名教师倾心之作，带你“零基础”学习大数据。
电子书
本书适合立志成为数据科学家的R语言初学者阅读。