目錄

第1章　大數據技術概述　1

1.1　大數據概念與關鍵技術　1

1.1.1　大數據概念　1

1.1.2　大數據關鍵技術　2

1.2　代表性大數據技術　3

1.2.1　Hadoop　3

1.2.2　Spark　7

1.2.3　Flink　9

1.2.4　Beam　11

1.3　編程語言的選擇　12

1.4　在線資源　13

1.5　本章小結　14

1.6　習題　14

第2章　Spark的設計與運行原理　15

2.1　概述　15

2.2　Spark生態(tài)系統(tǒng)　16

2.3　Spark運行架構　18

2.3.1　基本概念　18

2.3.2　架構設計方法　18

2.3.3　Spark運行的基本流程　19

2.3.4　RDD的設計與運行原理　20

2.4　Spark部署方式　29

2.5　本章小結　30

2.6　習題　30

第3章　大數據實驗環(huán)境搭建　31

3.1　Linux操作系統(tǒng)的安裝　31

3.1.1　下載安裝文件　31

3.1.2　Linux操作系統(tǒng)的安裝方式　32

3.1.3　虛擬機和Linux操作系統(tǒng)的安裝　33

3.2　Hadoop的安裝　39

3.2.1　Hadoop簡介　39

3.2.2　安裝Hadoop前的準備工作　40

3.2.3　Hadoop的3種安裝模式　42

3.2.4　下載Hadoop安裝文件　42

3.2.5　單機模式配置　43

3.2.6　偽分布式模式配置　43

3.2.7　分布式模式配置　47

3.3　MySQL的安裝　57

3.3.1　執(zhí)行安裝命令　57

3.3.2　啟動MySQL服務　58

3.3.3　進入MySQL Shell界面　58

3.3.4　解決MySQL出現(xiàn)的中文亂碼問題　58

3.4　Kafka的安裝　60

3.4.1　Kafka簡介　60

3.4.2　Kafka的安裝和使用　60

3.5　Anaconda的安裝和使用方法　61

3.6　本章小結　63

實驗1　Linux、Hadoop和MySQL的安裝與使用　64

第4章　Spark環(huán)境搭建和使用方法　66

4.1　安裝Spark（Local模式）　66

4.1.1　基礎環(huán)境　66

4.1.2　下載安裝文件　67

4.1.3　配置相關文件　67

4.1.4　驗證Spark是否安裝成功　68

4.2　在PySpark中運行代碼　68

4.2.1　pyspark命令　68

4.2.2　啟動PySpark　69

4.3　使用spark-submit命令提交運行程序　70

4.4　Spark集群環(huán)境搭建（Standalone模式）　70

4.4.1　集群概況　71

4.4.2　搭建Hadoop集群　71

4.4.3　安裝Anaconda3　71

4.4.4　在集群中安裝Spark　72

4.4.5　配置環(huán)境變量　72

4.4.6　Spark的配置　72

4.4.7　啟動Spark集群　73

4.4.8　關閉Spark集群　74

4.5　在集群上運行Spark應用程序　75

4.5.1　啟動Spark集群　75

4.5.2　提交運行程序　75

4.6　Spark on YARN模式　76

4.6.1　概述　76

4.6.2　Spark on YARN模式的部署　77

4.6.3　采用YARN模式運行PySpark　77

4.6.4　通過spark-submit命令提交程序到YARN集群　78

4.6.5　Spark on YARN的兩種部署模式　78

4.7　安裝PySpark類庫　79

4.7.1　類庫與框架的區(qū)別　79

4.7.2　PySpark類庫的安裝　80

4.8　開發(fā)Spark獨立應用程序　80

4.8.1　編寫程序　80

4.8.2　通過spark-submit運行程序　81

4.9　PyCharm的安裝和使用　81

4.9.1　安裝PyCharm　81

4.9.2　使用PyCharm開發(fā)Spark程序　87

4.10　本章小結　89

4.11　習題　89

實驗2　Spark的安裝和使用　89

第5章　RDD編程　91

5.1　RDD編程基礎　91

5.1.1　RDD創(chuàng)建　91

5.1.2　RDD操作　93

5.1.3　持久化　104

5.1.4　分區(qū)　105

5.1.5　綜合實例　109

5.2　鍵值對RDD　110

5.2.1　鍵值對RDD的創(chuàng)建　111

5.2.2　常用的鍵值對轉換操作　111

5.2.3　綜合實例　116

5.3　數據讀寫　117

5.3.1　本地文件系統(tǒng)的數據讀寫　117

5.3.2　分布式文件系統(tǒng)HDFS的數據讀寫　118

5.3.3　讀寫MySQL數據庫　119

5.4　綜合實例　120

5.4.1　求TOP值　120

5.4.2　文件排序　124

5.4.3　二次排序　126

5.5　本章小結　129

5.6　習題　129

實驗3　RDD編程初級實踐　130

第6章　Spark SQL　133

6.1　Spark SQL簡介　133

6.1.1　從Shark說起　133

6.1.2　Spark SQL架構　135

6.1.3　為什么推出Spark SQL　135

6.1.4　Spark SQL的特點　136

6.1.5　Spark SQL簡單編程實例　136

6.2　結構化數據DataFrame　137

6.2.1　DataFrame概述　137

6.2.2　DataFrame的優(yōu)點　138

6.3　DataFrame的創(chuàng)建和保存　139

6.3.1　Parquet　139

6.3.2　JSON　139

6.3.3　CSV　140

6.3.4　文本文件　141

6.3.5　序列集合　141

6.4　DataFrame的基本操作　142

6.4.1　DSL語法風格　142

6.4.2　SQL語法風格　146

6.5　從RDD轉換得到DataFrame　148

6.5.1　利用反射機制推斷RDD模式　148

6.5.2　使用編程方式定義RDD模式　149

6.6　使用Spark SQL讀寫數據庫　150

6.6.1　準備工作　150

6.6.2　讀取MySQL數據庫中的數據　151

6.6.3　向MySQL數據庫寫入數據　152

6.7　PySpark和pandas的整合　153

6.7.1　PySpark和pandas進行整合的可行性　153

6.7.2　pandas數據結構　154

6.7.3　實例1：兩種DataFrame之間的相互轉換　155

6.7.4　實例2：使用自定義聚合函數　156

6.8　綜合實例　157

6.9　本章小結　159

6.10　習題　159

實驗4　Spark SQL編程初級實踐　160

第7章　Spark Streaming　162

7.1　流計算概述　162

7.1.1　靜態(tài)數據和流數據　162

7.1.2　批量計算和實時計算　163

7.1.3　什么是流計算　164

7.1.4　流計算框架　164

7.1.5　流計算處理流程　165

7.2　Spark Streaming概述　166

7.2.1　Spark Streaming設計　167

7.2.2　Spark Streaming與Storm的對比　168

7.2.3　從Hadoop Storm架構轉向Spark架構　168

7.3　DStream操作概述　169

7.3.1　Spark Streaming工作機制　169

7.3.2　編寫Spark Streaming程序的基本步驟　170

7.3.3　創(chuàng)建StreamingContext對象　170

7.4　基本輸入源　170

7.4.1　文件流　170

7.4.2　套接字流　172

7.4.3　RDD隊列流　176

7.5　轉換操作　177

7.5.1　DStream無狀態(tài)轉換操作　177

7.5.2　DStream有狀態(tài)轉換操作　177

7.6　輸出操作　182

7.6.1　把DStream輸出到文本文件中　182

7.6.2　把DStream寫入關系數據庫中　183

7.7　本章小結　184

7.8　習題　185

實驗5　Spark Streaming編程初級實踐　185

第8章　Structured Streaming　187

8.1　概述　187

8.1.1　基本概念　188

8.1.2　兩種處理模型　189

8.1.3　Structured Streaming和Spark SQL、Spark Streaming的關系　190

8.2　編寫Structured Streaming程序的基本步驟　190

8.2.1　實現(xiàn)步驟　190

8.2.2　測試運行　192

8.3　輸入源　194

8.3.1　File源　194

8.3.2　Kafka源　198

8.3.3　Socket源　200

8.3.4　Rate源　201

8.4　輸出操作　202

8.4.1　啟動流計算　203

8.4.2　輸出模式　203

8.4.3　輸出接收器　204

8.5　容錯處理　205

8.5.1　從檢查點恢復故障　206

8.5.2　故障恢復中的限制　206

8.6　遲到數據處理　206

8.6.1　事件時間　207

8.6.2　遲到數據　207

8.6.3　水印　208

8.6.4　多水印規(guī)則　209

8.6.5　處理遲到數據的實例　210

8.7　查詢的管理和監(jiān)控　213

8.7.1　管理和監(jiān)控的方法　213

8.7.2　一個監(jiān)控的實例　213

8.8　本章小結　215

8.9　習題　216

實驗6　Structured Streaming編程實踐　216

第9章　Spark MLlib　218

9.1　基于大數據的機器學習　218

9.2　機器學習庫MLlib概述　219

9.3　基本的數據類型　220

9.3.1　本地向量　220

9.3.2　標注點　221

9.3.3　本地矩陣　222

9.3.4　數據源　223

9.4　基本的統(tǒng)計分析工具　224

9.4.1　相關性　224

9.4.2　假設檢驗　226

9.4.3　匯總統(tǒng)計　227

9.5　機器學習流水線　228

9.5.1　流水線的概念　228

9.5.2　流水線的工作過程　229

9.6　特征提取、特征轉換、特征選擇及局部敏感散列　230

9.6.1　特征提取　231

9.6.2　特征轉換　234

9.6.3　特征選擇　239

9.6.4　局部敏感散列　241

9.7　分類算法　241

9.7.1　邏輯斯諦回歸分類算法　242

9.7.2　決策樹分類算法　246

9.8　聚類算法　250

9.8.1　K-Means聚類算法　250

9.8.2　GMM聚類算法　253

9.9　頻繁模式挖掘算法　256

9.9.1　FP-Growth算法　256

9.9.2　PrefixSpan算法　259

9.10　協(xié)同過濾算法　261

9.10.1　協(xié)同過濾算法的原理　262

9.10.2　ALS算法　262

9.11　模型選擇　266

9.11.1　模型選擇工具　266

9.11.2　用交叉驗證選擇模型　267

9.12　本章小結　269

9.13　習題　270

實驗7　Spark MLlib編程初級實踐　270

參考文獻　272