《Spark 快速大数据分析》学习笔记.zip

##### 第 1 章 Spark 数据分析导论 1. Spark 是什么 2. 一个大一统的软件栈 2.1 Spark Core 2.2 Spark SQL 2.3 Spark Streaming 2.4 MLlib 2.5 GraphX 2.6 集群管理器 3. Spark 的用户和用途 3.1 数据科学任务 3.2 数据处理应用 4. Spark 简史 5. Spark 的版本和发布 6. Spark 的存储层次 ##### 第 2 章 Spark 下载与入门 1. 下载 Spark 2. Spark 中 Python 和 Scala 的 shell 3. Spark 核心概念简介 4. 独立应用 4.1 初始化 SparkContext 4.2 构建独立应用 5. 总结 ##### 第 3 章 RDD 编程 1. RDD 基础 2. 创建 RDD 3. RDD 操作 3.1 转化操作 3.2 行动操作 3.3 惰性求值 4. 向 Spark 传递函数 4.1 Python 4.2 Scala 4.3 Java 5. 常见的转化操作和行动操作 5.1 基本 RDD 5.2 在不同 RDD 类型间转换 6. 持久化 ( 缓存 ) 7. 总结 ##### 第 4 章 键值对操作 1. 动机 2. 创建 Pair RDD 3. Pair RDD 的转化操作 3.1 聚合操作 3.2 数据分组 3.3 连接 3.4 数据排序 4. Pair RDD 的行动操作 5. 数据分区（进阶） 5.1 获取 RDD 的分区方式 5.2 从分区中获益的操作 5.3 影响分区方式的操作 5.4 示例：PageRank 5.5 自定义分区方式 4.6 总结 ##### 第 5 章 数据读取与保存 1. 动机 2. 文件格式 2.1 文本文件 2.2 JSON 2.3 逗号分隔值与制表符分隔值 2.4 SequenceFile 2.5 对象文件 2.6 Hadoop 输入输出格式 2.7 文件压缩 3. 文件系统 3.1 本地 /“常规”文件系统 3.2 Amazon S3 3.3 HDFS 4. Spark SQL 中的结构化数据 4.1 Apache Hive 4.2 JSON 5. 数据库 5.1 Java 数据库连接 5.2 Cassandra 5.3 HBase 5.4 Elasticsearch 6 总结 ##### 第 6 章 Spark 编程进阶 1. 简介 2. 累加器 2.1 累加器与容错性 2.2 自定义累加器 3. 广播变量 4. 基于分区进行操作 5. 与外部程序间的管道 6. 数值 RDD 的操作 7. 总结 ##### 第 7 章 在集群上运行 Spark 1. 简介 2. Spark 运行时架构 2.1 驱动器节点 2.2 执行器节点 2.3 集群管理器 2.4 启动一个程序 2.5 小结 3. 使用 spark-submit 部署应用 4. 打包代码与依赖 4.1 使用 Maven 构建的用 Java 编写的 Spark 应用 4.2 使用 sbt 构建的用 Scala 编写的 Spark 应用 4.3 依赖冲突 5. Spark 应用内与应用间调度 6. 集群管理器 6.1 独立集群管理器 6.2 Hadoop YARN 6.3 Apache Mesos 6.4 Amazon EC2 7. 选择合适的集群管理器 8. 总结 ##### 第 8 章 Spark 调优与调试 1. 使用 SparkConf 配置 Spark 2. Spark 执行的组成部分：作业、任务和步骤 3. 查找信息 3.1 Spark 网页用户界面 3.2 驱动器进程和执行器进程的日志 4. 关键性能考量 4.1 并行度 4.2 序列化格式 4.3 内存管理 4.4 硬件供给 5. 总结 ##### 第 9 章 Spark SQL 1. 连接 Spark SQL 2. 在应用中使用 Spark SQL 2.1 初始化 Spark SQL 2.2 基本查询示例 2.3 SchemaRDD 2.4 缓存 3. 读取和存储数据 3.1 Apache Hive 3.2 Parquet 3.3 JSON 3.4 基于 RDD 4. JDBC/ODBC 服务器 4.1 使用 Beeline 4.2 长生命周期的表与查询 5. 用户自定义函数 5.1 Spark SQL UDF 5.2 Hive UDF 6. Spark SQL 性能 7. 总结 ##### 第 10 章 Spark Streaming 1. 一个简单的例子 2. 架构与抽象 3. 转化操作 3.1 无状态转化操作 3.2 有状态转化操作 4. 输出操作 5. 输入源 5.1 核心数据源 5.2 附加数据源 5.3 多数据源与集群规模 6. 24/7 不间断运行 6.1 检查点机制 6.2 驱动器程序容错 6.3 工作节点容错 6.4 接收器容错 6.5 处理保证 7. Streaming 用户界面 8. 性能考量 8.1 批次和窗口大小 8.2 并行度 8.3 垃圾回收和内存使用 9. 总结 ##### 第 11 章 基于 MLlib 的机器学习 1. 概述 2. 系统要求 3. 机器学习基础 4. 数据类型 5. 算法 5.1 特征提取 5.2 统计 5.3 分类与回归 5.4 聚类 5.5 协同过滤与推荐 5.6 降维 5.7 模型评估 6. 一些提示与性能考量 6.1 准备特征 6.2 配置算法 6.3 缓存 RDD 以重复使用 6.4 识别稀疏程度 6.5 并行度 7. 流水线 API 8. 总结