大数据Spark企业级实战
作者：Spark亚太研究院，王家林 编著
出版时间：2015年版
内容简介
Spark是当今大数据领域最活跃、最热门、最高效的大数据通用计算平台，是Apache软件基金会下所有开源项目中三大顶级开源项目之一。在“One Stack to rule them all”理念的指引下，Spark基于RDD成功地构建起了大数据处理的一体化解决方案，将MapReduce、Streaming、SQL、Machine Learning、Graph Processing等大数据计算模型统一到一个技术堆栈中，开发者使用一致的API操作Spark中的所有功能；更为重要的是Spark的Spark SQL、MLlib、GraphX、Spark Streaming等四大子框架之间可以在内存中完美地无缝集成并可以互相操作彼此的数据，这不仅打造了Spark在当今大数据计算领域其他任何计算框架都无可匹敌的优势，更使得Spark正在加速成为大数据处理中心首选的和唯一的计算平台。本书详细解析了企业级Spark开发所需的几乎所有技术内容，涵盖Spark的架构设计、Spark的集群搭建、Spark内核的解析、Spark SQL、MLlib、GraphX、Spark Streaming、Tachyon、SparkR、Spark多语言编程、Spark常见问题及调优等，并且结合Spark源码细致地解析了Spark内核和四大子框架，最后在附录中提供了Spark的开发语言Scala快速入门实战内容，学习完此书即可胜任绝大多数的企业级Spark开发需求。
目录
第1章 Spark编程模型 1
1.1 Spark：一体化、多元化的高速
大数据通用计算平台和库 1
1.1.1 为什么需要使用Spark 5
1.1.2 Spark技术生态系统简介 9
1.2 Spark大数据处理框架 20
1.2.1 Spark速度为何如此之快 20
1.2.2 RDD：分布式函数式编程 24
1.3 Spark子框架解析 28
1.3.1 图计算框架Spark GraphX 28
1.3.2 实时流处理框架
（Spark Streaming） 41
1.3.3 交互式SQL处理框架
Spark SQL 46
1.3.4 机器学习框架
（Spark MLlib） 49
第2章 构建Spark分布式集群 55
2.1 搭建Hadoop单机版本和伪
分布式开发环境 55
2.1.1 开发Hadoop需要的基本
软件 56
2.1.2 安装每个软件 58
2.1.3 配置Hadoop单机模式并
运行Wordcount示例 76
2.1.4 配置Hadoop伪分布模式
并运行Wordcount示例 84
2.2 搭建 Hadoop分布式集群 92
2.2.1 在VMWare 中准备第二、
第三台运行Ubuntu系统的
机器 92
2.2.2 按照配置伪分布式模式
的方式配置新创建运行
Ubuntu系统的机器 93
2.2.3 配置Hadoop分布式集群
环境 94
2.2.4 测试Hadoop分布式集群
环境 105
2.3 Spark集群的动手搭建 108
2.3.1 Spark集群需要的软件 108
2.3.2 安装每个软件 110
2.3.3 启动并查看集群的状况 116
2.4 构建Hadoop单机版本和伪
分布式环境 120
2.4.1 通过Spark的shell测试
Spark的工作 121
2.4.2 使用Spark的cache机制
观察一下效率的提升 125
第3章 Spark开发环境及其测试 129
3.1 搭建和设置IDEA开发环境 129
3.1.1 构建Spark的IDE开发
环境 129
3.1.2 配置Spark的IDE开发
环境 132
3.2 测试IDEA环境 146
3.3 实战：在IDEA中开发代码，
并运行在Spark集群中 148
第4章 Spark RDD与编程API
实战 159
4.1 深度解析Spark RDD 159
4.2 Transformation Operations
动手实战 165
4.3 Action Operations动手实战 175
4.4 Spark API综合实战 179
第5章 Spark运行模式深入解析 191
5.1 Spark运行模式概述 192
5.1.1 Spark的运行模式列表 196
5.1.2 Spark的基本工作流程 197
5.2 Standalone模式 201
5.2.1 部署及程序运行 202
5.2.2 内部实现原理 206
5.3 Yarn-Cluster模式 234
5.3.1 部署及程序运行 235
5.3.2 内部实现原理 237
5.4 Yarn-Client模式 243
5.4.1 部署及运行程序 243
5.4.2 内部实现原理 244
第6章 Spark内核解析 247
6.1 Spark内核初探 247
6.1.1 Spark内核核心术语解析 247
6.1.2 Spark集群概览 250
6.1.3 Spark核心组件 251
6.1.4 Spark任务调度系统初见 252
6.2 Spark内核核心源码解读 256
6.2.1 SparkContext核心源码
解析初体验 256
6.2.2 TaskSceduler启动源码
解析初体验 260
6.2.3 DAGScheduler源码解读
初体验 261
6.2.4 Spark的Web监控页面 262
6.3 以RDD的count操作为例触发
Job全生命周期源码研究 263
6.4 Akka驱动下的Driver、
Master、Worker 276
6.4.1 Driver中的AppClient
源码解析 276
6.4.2 AppClient注册Master 279
6.4.3 Worker中Executor启动
过程源代码解析 282
第7章 GraphX大规模图计算与
图挖掘实战 287
7.1 Spark GraphX概览 288
7.2 Spark GraphX设计实现的
核心原理 291
7.3 Table operator和Graph
Operator 295
7.4 Vertices、edges、triplets 296
7.5 以最原始的方式构建graph 299
7.6 动手编写第一个Graph代码
实例并进行Vertices、edges、
triplets操作 299
7.7 在Spark集群上使用文件中
的数据加载成为graph并进
行操作 310
7.8 在Spark集群上掌握比较重
要的图操作 320
7.9 Spark GraphX图算法 342
7.10 淘宝对Spark GraphX的大
规模使用 347
第8章 Spark SQL原理与实战 349
8.1 为什么使用Spark SQL 349
8.1.1 Spark SQL的发展历程 349
8.1.2 Spark SQL的性能 351
8.2 Spark SQL运行架构 355
8.2.1 Tree和Rule 357
8.2.2 sqlContext的运行过程 360
8.2.3 hiveContext的运行过程 362
8.2.4 catalyst优化器 365
8.3 解析Spark SQL组件 367
8.3.1 LogicalPlan 367
8.3.2 SqlParser 370
8.3.3 Analyzer 378
8.3.4 Optimizer 381
8.4 深入了解Spark SQL运行
的计划 383
8.4.1 hive/console的安装过程
和原理 383
8.4.2 常用操作 386
8.4.3 不同数据源的运行计划 388
8.4.4 不同查询的运行计划 391
8.4.5 查询的优化 393
8.5 搭建测试环境 396
8.5.1 搭建虚拟集群（Hadoop1、
Hadoop2、Hadoop3） 397
8.5.2 搭建客户端 398
8.5.3 文件数据的准备工作 399
8.5.4 Hive数据的准备工作 399
8.6 Spark SQL之基础应用 400
8.6.1 sqlContext的基础应用 402
8.6.2 hiveContext的基础应用 405
8.6.3 混合使用 408
8.6.4 缓存的使用 409
8.6.5 DSL的使用 410
8.7 ThriftServer和CLI 411
8.7.1 令人惊讶的CLI 411
8.7.2 ThriftServer 414
8.8 Spark SQL之综合应用 418
8.8.1 店铺分类 419
8.8.2 PageRank 421
8.9 Spark SQL之调优 424
8.9.1 并行性 424
8.9.2 高效的数据格式 425
8.9.3 内存的使用 427
8.9.4 合适的Task 428
8.9.5 其他的一些建议 428
第9章 Machine Learning on
Spark 431
9.1 Spark MLlib机器学习 431
9.1.1 机器学习快速入门 432
9.1.2 Spark MLlib介绍 442
9.1.3 Spark MLlib架构解析 447
9.1.4 Spark Mllib核心解析 458
9.2 MLlib经典算法解析和案例
实战 462
9.2.1 Linear Regression解析和
实战 462
9.2.2 K-Means解析和实战 484
9.2.3 协同过滤算法分析和案例
实战 502
9.3 MLLib其他常用算法解析
和代码实战 552
9.3.1 Basic Statics解析和实战 553
9.3.2 MLlib朴素贝叶斯解析和
实战 560
9.3.3 MLlib决策树解析和实战 562
第10章 Tachyon文件系统 565
10.1 Tachyon文件系统概述 565
10.1.1 Tachyon文件系统简介 565
10.1.2 HDFS与Tachyon 566
10.1.3 Tachyon设计原理 568
10.2 Tachyon入门 568
10.2.1 Tachyon部署 568
10.2.2 Tachyon API的使用 570
10.2.3 在MapReduce、Spark
上使用Tachyon 572
10.3 Tachyon深度解析 573
10.3.1 Tachyon整体设计概述 573
10.3.2 Tachyon Master启动流
程分析 574
10.3.3 Tachyon Worker启动流
程分析 577
10.3.4 客户端读写文件源码分析 577
10.4 Tachyon配置参数一览 579
10.5 小结 580
第11章 Spark Streaming原理
与实战 581
11.1 Spark Streaming原理 581
11.1.1 原理和运行场景 581
11.1.2 编程模型DStream 584
11.1.3 持
