Spark編程基礎(chǔ)

第1章　大數(shù)據(jù)技術(shù)概述　1

1.1　大數(shù)據(jù)的概念與關(guān)鍵技術(shù)　2

1.1.1　大數(shù)據(jù)的概念　2

1.1.2　大數(shù)據(jù)關(guān)鍵技術(shù)　2

1.2　代表性大數(shù)據(jù)技術(shù)　4

1.2.1　Hadoop　4

1.2.2　Spark　8

1.2.3　Flink　10

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(jié)　14

1.6　習(xí)題　14

實驗1　Linux系統(tǒng)的安裝和常用命令　15

一、實驗?zāi)康摹?5

二、實驗平臺　15

三、實驗內(nèi)容和要求　15

四、實驗報告　16

第2章　Spark的設(shè)計與運行原理　17

2.1　概述　18

2.2　Spark生態(tài)系統(tǒng)　19

2.3　Spark運行架構(gòu)　20

2.3.1　基本概念　20

2.3.2　架構(gòu)設(shè)計　21

2.3.3　Spark運行基本流程　22

2.3.4　RDD的設(shè)計與運行原理　23

2.4　Spark的部署方式　32

2.5　本章小結(jié)　33

2.6　習(xí)題　34

第3章　Spark環(huán)境搭建和使用方法　35

3.1　安裝Spark　36

3.1.1　基礎(chǔ)環(huán)境　36

3.1.2　下載安裝文件　36

3.1.3　配置相關(guān)文件　37

3.1.4　Spark和Hadoop的交互　38

3.2　在spark-shell中運行代碼　38

3.2.1　spark-shell命令　39

3.2.2　啟動spark-shell　40

3.3　開發(fā)Spark獨立應(yīng)用程序　40

3.3.1　安裝編譯打包工具　41

3.3.2　編寫Spark應(yīng)用程序代碼　42

3.3.3　編譯打包　42

3.3.4　通過spark-submit運行程序　45

3.4　Spark集群環(huán)境搭建　45

3.4.1　集群概況　46

3.4.2　搭建Hadoop集群　46

3.4.3　在集群中安裝Spark　47

3.4.4　配置環(huán)境變量　47

3.4.5　Spark的配置　47

3.4.6　啟動Spark集群　48

3.4.7　關(guān)閉Spark集群　48

3.5　在集群上運行Spark應(yīng)用程序　49

3.5.1　啟動Spark集群　49

3.5.2　采用獨立集群管理器　49

3.5.3　采用Hadoop YARN管理器　50

3.6　本章小結(jié)　51

3.7　習(xí)題　52

實驗2　Spark和Hadoop的安裝　52

一、實驗?zāi)康摹?2

二、實驗平臺　52

三、實驗內(nèi)容和要求　52

四、實驗報告　53

第4章　RDD編程　54

4.1　RDD編程基礎(chǔ)　55

4.1.1　RDD創(chuàng)建　55

4.1.2　RDD操作　56

4.1.3　持久化　62

4.1.4　分區(qū)　63

4.1.5　一個綜合實例　67

4.2　鍵值對RDD　69

4.2.1　鍵值對RDD的創(chuàng)建　69

4.2.2　常用的鍵值對轉(zhuǎn)換操作　70

4.2.3　一個綜合實例　74

4.3　數(shù)據(jù)讀寫　75

4.3.1　文件數(shù)據(jù)讀寫　76

4.3.2　讀寫HBase數(shù)據(jù)　78

4.4　綜合實例　82

4.4.1　求TOP值　82

4.4.2　文件排序　84

4.4.3　二次排序　85

4.5　本章小結(jié)　87

實驗3　RDD編程初級實踐　87

一、實驗?zāi)康摹?7

二、實驗平臺　87

三、實驗內(nèi)容和要求　87

四、實驗報告　89

第5章　Spark SQL　90

5.1　Spark SQL簡介　91

5.1.1　從Shark說起　91

5.1.2　Spark SQL架構(gòu)　92

5.1.3　為什么推出Spark SQL　93

5.2　DataFrame概述　93

5.3　DataFrame的創(chuàng)建　94

5.4　DataFrame的保存　95

5.5　DataFrame的常用操作　96

5.6　從RDD轉(zhuǎn)換得到DataFrame　97

5.6.1　利用反射機(jī)制推斷RDD模式　98

5.6.2　使用編程方式定義RDD模式　99

5.7　使用Spark SQL讀寫數(shù)據(jù)庫　101

5.7.1　通過JDBC連接數(shù)據(jù)庫　101

5.7.2　連接Hive讀寫數(shù)據(jù)　103

5.8　本章小結(jié)　107

5.9　習(xí)題　107

實驗4　Spark SQL編程初級實踐　108

一、實驗?zāi)康摹?08

二、實驗平臺　108

三、實驗內(nèi)容和要求　108

四、實驗報告　109

第6章　Spark Streaming　110

6.1　流計算概述　111

6.1.1　靜態(tài)數(shù)據(jù)和流數(shù)據(jù)　111

6.1.2　批量計算和實時計算　112

6.1.3　流計算概念　112

6.1.4　流計算框架　113

6.1.5　流計算處理流程　114

6.2　Spark Streaming　115

6.2.1　Spark Streaming設(shè)計　115

6.2.2　Spark Streaming與Storm的對比　116

6.2.3　從“Hadoop+Storm”架構(gòu)轉(zhuǎn)向Spark架構(gòu)　117

6.3　DStream操作概述　118

6.3.1　Spark Streaming工作機(jī)制　118

6.3.2　編寫Spark Streaming程序的基本步驟　119

6.3.3　創(chuàng)建StreamingContext對象　119

6.4　基本輸入源　120

6.4.1　文件流　120

6.4.2　套接字流　122

6.4.3　RDD隊列流　127

6.5　高級數(shù)據(jù)源　128

6.5.1　Kafka簡介　129

6.5.2　Kafka準(zhǔn)備工作　129

6.5.3　Spark準(zhǔn)備工作　130

6.5.4　編寫Spark Streaming程序使用Kafka數(shù)據(jù)源　131

6.6　轉(zhuǎn)換操作　135

6.6.1　DStream無狀態(tài)轉(zhuǎn)換操作　135

6.6.2　DStream有狀態(tài)轉(zhuǎn)換操作　136

6.7　輸出操作　140

6.7.1　把DStream輸出到文本文件中　140

6.7.2　把DStream寫入到關(guān)系數(shù)據(jù)庫中　141

6.8　本章小結(jié)　143

6.9　習(xí)題　143

實驗5　Spark Streaming編程初級實踐　144

一、實驗?zāi)康摹?44

二、實驗平臺　144

三、實驗內(nèi)容和要求　144

四、實驗報告　145

第7章　Spark Mllib　146

7.1　基于大數(shù)據(jù)的機(jī)器學(xué)習(xí)　147

7.2　機(jī)器學(xué)習(xí)庫MLlib概述　148

7.3　基本數(shù)據(jù)類型　149

7.3.1　本地向量　149

7.3.2　標(biāo)注點　149

7.3.3　本地矩陣　150

7.4　機(jī)器學(xué)習(xí)流水線　151

7.4.1　流水線的概念　151

7.4.2　流水線工作過程　152

7.5　特征提取、轉(zhuǎn)換和選擇　153

7.5.1　特征提取　154

7.5.2　特征轉(zhuǎn)換　156

7.5.3　特征選擇　161

7.5.4　局部敏感哈?！?62

7.6　分類算法　163

7.6.1　邏輯斯蒂回歸分類器　163

7.6.2　決策樹分類器　167

7.7　聚類算法　170

7.7.1　K-Means聚類算法　171

7.7.2　GMM聚類算法　173

7.8　協(xié)同過濾算法　175

7.8.1　推薦算法的原理　176

7.8.2　ALS算法　176

7.9　模型選擇和超參數(shù)調(diào)整　180

7.9.1　模型選擇工具　180

7.9.2　用交叉驗證選擇模型　181

7.10　本章小結(jié)　183

7.11　習(xí)題　183

實驗6　Spark機(jī)器學(xué)習(xí)庫MLlib編程實踐　184

一、實驗?zāi)康摹?84

二、實驗平臺　184

三、實驗內(nèi)容和要求　184

四、實驗報告　185

參考文獻(xiàn)　186