Spark大數據商業實戰三部曲：內核解密|商業案例|性能調優 ( 簡體 字) |
| 作者：王家林、段智華、夏陽 | 類別：1. -> 程式設計 -> Spark |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 49510
詢問書籍請說出此書號！【缺書】
NT售價： 1495 元 |
| 出版日：2/1/2018 |
| 頁數：1143 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302489627 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言： 大數據像當年的石油、人工智能（Artificial Intelligence）像當年的電力一樣，正以前所未有的廣度和深度影響所有的行業，現在及未來公司的核心壁壘是數據，核心競爭力來自基于大數據的人工智能的競爭。Spark是當今大數據領域最活躍、最熱門、最高效的大數據通用計算平臺，2009年誕生于美國加州大學伯克利分校AMP實驗室，2010年正式開源，2013年成為Apache基金項目，2014年成為Apache基金的頂級項目。基于RDD，Spark成功構建起了一體化、多元化的大數據處理體系。
在任何規模的數據計算中，Spark在性能和擴展性上都更具優勢。
（1）Hadoop之父Doug Cutting指出：Use of MapReduce engine for Big Data projects will decline, replaced by Apache Spark（大數據項目的MapReduce引擎的使用將下降，由Apache Spark取代。）
（2）Hadoop商業發行版本的市場領導者Cloudera、HortonWorks、MapR紛紛轉投Spark，并把Spark作為大數據解決方案的首選和核心計算引擎。
2014年的Sort Benchmark測試中，Spark秒殺Hadoop，在使用十分之一計算資源的情況下，相同數據的排序上，Spark比MapReduce快3倍！在沒有官方PB排序對比的情況下，首次將Spark推到了1PB數據（十萬億條記錄）的排序，在使用190個節點的情況下，工作負載在4小時內完成，同樣遠超雅虎之前使用3800臺主機耗時16個小時的記錄。
2015年6月，Spark最大的集群來自騰訊——8000個節點，單個Job最大分別是阿里巴巴和Databricks——1PB，震撼人心！同時，Spark的Contributor比2014年漲了3倍，達到730人；總代碼行數也比2014年漲了2倍多，達到40萬行。IBM于2015年6月承諾大力推進Apache Spark項目，并稱該項目為：以數據為主導的，未來十年最重要的新的開源項目。這一承諾的核心是將Spark嵌入IBM業內領先的分析和商務平臺，并將Spark作為一項服務，在IBMBluemix平臺上提供給客戶。IBM還將投入超過3500名研究和開發人員在全球10余個實驗室開展與Spark相關的項目，并將為Spark開源生態系統無償提供突破性的機器學習技術——IBM SystemML。同時，IBM還將培養超過100萬名Spark數據科學家和數據工 程師。
2016年，在有“計算界奧運會”之稱的國際著名Sort Benchmark 全球數據排序大賽中，由南京大學計算機科學與技術系PASA大數據實驗室、阿里巴巴和Databricks公司組成的參賽團隊NADSort，以144美元的成本完成100TB標準數據集的排序處理，創下了每TB數據排序1.44美元成本的最新世界紀錄，比2014年奪得冠軍的加州大學圣地亞哥分校TritonSort團隊每TB數據4.51美元的成本降低了近70%，而這次比賽依舊使用Apache Spark大數據計算平臺，在大規模并行排序算法以及Spark系統底層進行了大量的優化，以盡可能提高排序計算性能并降低存儲資源開銷，確保最終贏得比賽。
在Full Stack理想的指引下，Spark中的Spark SQL、SparkStreaming、MLLib、GraphX、R五大子框架和庫之間可以無縫地共享數據和操作，這不僅打造了Spark在當今大數據計算領域其他計算框架都無可匹敵的優勢，而且使得Spark正在加速成為大數據處理中心首選通用計算平臺，而Spark商業案例和性能優化必將成為接下來的重中之重！
本書根據王家林老師親授課程及結合眾多大數據項目經驗編寫而成，其中王家林、段智華編寫了本書近90%的內容，具體編寫章節如下：
第3章 Spark的靈魂：RDD和DataSet；
第4章 Spark Driver啟動內幕剖析；
第5章 Spark集群啟動原理和源碼詳解；
第6章 Spark Application提交給集群的原理和源碼詳解；
第7章 Shuffle原理和源碼詳解；
第8章 Job工作原理和源碼詳解；
第9章 Spark中Cache和checkpoint原理和源碼詳解；
第10章 Spark中Broadcast和Accumulator原理和源碼詳解；
第11章 Spark與大數據其他經典組件整合原理與實戰；
第12章 Spark商業案例之大數據電影點評系統應用案例；
第13章 Spark 2.2實戰之Dataset開發實戰企業人員管理系統應用案例；
第14章 Spark商業案例之電商交互式分析系統應用案例；
第15章 Spark商業案例之NBA籃球運動員大數據分析系統應用案例；
第16章 電商廣告點擊大數據實時流處理系統案例；
第17章 Spark在通信運營商生產環境中的應用案例；
第18章 使用Spark GraphX實現婚戀社交網絡多維度分析案例；
第23章Spark集群中Mapper端、Reducer端內存調優；
第24章 使用Broadcast實現Mapper端Shuffle聚合功能的原理和調優實戰；
第25章 使用Accumulator高效地實現分布式集群全局計數器的原理和調優案例；
第27章 Spark五大子框架調優最佳實踐；
第28章 Spark 2.2.0新一代鎢絲計劃優化引擎；
第30章 Spark性能調優之數據傾斜調優一站式解決方案原理與實戰；
第31章 Spark大數據性能調優實戰專業之路。
其中，段智華根據自身多年的大數據工作經驗對本書的案例等部分進行了擴展。
除上述章節外，剩余內容由夏陽、鄭采翎、閆恒偉三位作者根據王家林老師的大數據授課內容而完成。
在閱讀本書的過程中，如發現任何問題或有任何疑問，可以加入本書的閱讀群討論，會有專人答疑。同時，該群也會提供本書所用案例源碼及本書的配套學習視頻。
如果讀者想要了解或者學習更多大數據相關技術，可以關注DT大數據夢工廠微信公眾號DT_Spark，也可以通過YY客戶端登錄68917580永久頻道直接體驗。
王家林老師的新浪微博歡迎大家在微博上與作者進行 互動。
由于時間倉促，書中難免存在不妥之處，請讀者諒解，并提出寶貴意見。
王家林2017年中秋之夜于美國硅谷 |
內容簡介：《Spark大數據商業實戰三部曲：內核解密|商業案例|性能調優》基于Spark 2.2.X，以Spark商業案例實戰和Spark在生產環境下幾乎所有類型的性能調優為核心，以Spark內核解密為基石，分為上篇、中篇、下篇，對企業生產環境下的Spark商業案例與性能調優抽絲剝繭地進行剖析。上篇基于Spark源碼，從一個動手實戰案例入手，循序漸進地全面解析了Spark 2.2新特性及Spark內核源碼；中篇選取Spark開發中最具有代表的經典學習案例，深入淺出地介紹，在案例中綜合應用Spark的大數據技術；下篇性能調優內容基本完全覆蓋了Spark在生產環境下的所有調優技術。 |
目錄：上篇內核解密
第1章電光石火間體驗Spark2.2開發實戰2
1.1通過RDD實戰電影點評系統入門及源碼閱讀2
1.1.1Spark核心概念圖解2
1.1.2通過RDD實戰電影點評系統案例4
1.2通過DataFrame和DataSet實戰電影點評系統7
1.2.1通過DataFrame實戰電影點評系統案例7
1.2.2通過DataSet實戰電影點評系統案例10
1.3Spark2.2源碼閱讀環境搭建及源碼閱讀體驗11
第2章Spark2.2技術及原理14
2.1Spark2.2綜述14
2.1.1連續應用程序14
2.1.2新的API15
2.2Spark2.2Core16
2.2.1第二代Tungsten引擎16
2.2.2SparkSession16
2.2.3累加器API17
2.3Spark2.2SQL19
2.3.1SparkSQL20
2.3.2DataFrame和DatasetAPI20
2.3.3TimedWindow21
2.4Spark2.2Streaming21
2.4.1StructuredStreaming21
2.4.2增量輸出模式23
2.5Spark2.2MLlib27
2.5.1基于DataFrame的MachineLearningAPI28
2.5.2R的分布式算法28
2.6Spark2.2GraphX29
第3章Spark的靈魂：RDD和DataSet30
3.1為什么說RDD和DataSet是Spark的靈魂30
3.1.1RDD的定義及五大特性剖析30
3.1.2DataSet的定義及內部機制剖析34
3.2RDD彈性特性七個方面解析36
3.3RDD依賴關系43
3.3.1窄依賴解析43
3.3.2寬依賴解析45
3.4解析Spark中的DAG邏輯視圖46
3.4.1DAG生成的機制46
3.4.2DAG邏輯視圖解析47
3.5RDD內部的計算機制49
3.5.1Task解析49
3.5.2計算過程深度解析49
3.6SparkRDD容錯原理及其四大核心要點解析57
3.6.1SparkRDD容錯原理57
3.6.2RDD容錯的四大核心要點57
3.7SparkRDD中Runtime流程解析59
3.7.1Runtime架構圖59
3.7.2生命周期60
3.8通過WordCount實戰解析SparkRDD內部機制70
3.8.1SparkWordCount動手實踐70
3.8.2解析RDD生成的內部機制72
3.9基于DataSet的代碼到底是如何一步步轉化成為RDD的78
第4章SparkDriver啟動內幕剖析81
4.1SparkDriverProgram剖析81
4.1.1SparkDriverProgram81
4.1.2SparkContext深度剖析81
4.1.3SparkContext源碼解析82
4.2DAGScheduler解析96
4.2.1DAG的定義96
4.2.2DAG的實例化97
4.2.3DAGScheduler劃分Stage的原理98
4.2.4DAGScheduler劃分Stage的具體算法99
4.2.5Stage內部Task獲取最佳位置的算法113
4.3TaskScheduler解析116
4.3.1TaskScheduler原理剖析116
4.3.2TaskScheduler源碼解析117
4.4SchedulerBackend解析132
4.4.1SchedulerBackend原理剖析132
4.4.2SchedulerBackend源碼解析132
4.4.3Spark程序的注冊機制133
4.4.4Spark程序對計算資源Executor的管理134
4.5打通Spark系統運行內幕機制循環流程135
4.6本章總結145
第5章Spark集群啟動原理和源碼詳解146
5.1Master啟動原理和源碼詳解146
5.1.1Master啟動的原理詳解146
5.1.2Master啟動的源碼詳解147
5.1.3MasterHA雙機切換157
5.1.4Master的注冊機制和狀態管理解密163
5.2Worker啟動原理和源碼詳解170
5.2.1Worker啟動的原理流程170
5.2.2Worker啟動的源碼詳解174
5.3ExecutorBackend啟動原理和源碼詳解178
5.3.1ExecutorBackend接口與Executor的關系178
5.3.2ExecutorBackend的不同實現179
5.3.3ExecutorBackend中的通信181
5.3.4ExecutorBackend的異常處理183
5.4Executor中任務的執行184
5.4.1Executor中任務的加載184
5.4.2Executor中的任務線程池185
5.4.3任務執行失敗處理186
5.4.4揭秘TaskRunner188
5.5Executor執行結果的處理方式189
5.6本章總結197
第6章SparkApplication提交給集群的原理和源碼詳解198
6.1SparkApplication到底是如何提交給集群的198
6.1.1Application提交參數配置詳解198
6.1.2Application提交給集群原理詳解199
6.1.3Application提交給集群源碼詳解201
6.2SparkApplication是如何向集群申請資源的211
6.2.1Application申請資源的兩種類型詳解211
6.2.2Application申請資源的源碼詳解213
6.3從Application提交的角度重新審視Driver219
6.3.1Driver到底是什么時候產生的220
6.3.2Driver和Master交互原理解析238
6.3.3Driver和Master交互源碼詳解244
6.4從Application提交的角度重新審視Executor249
6.4.1Executor到底是什么時候啟動的249
6.4.2Executor如何把結果交給Application254
6.5Spark1.6RPC內幕解密：運行機制、源碼詳解、Netty與Akka等254
6.6本章總結267
第7章Shuffle原理和源碼詳解268
7.1概述268
7.2Shuffle的框架269
7.2.1Shuffle的框架演進269
7.2.2Shuffle的框架內核270
7.2.3Shuffle框架的源碼解析272
7.2.4Shuffle數據讀寫的源碼解析275
7.3HashBasedShuffle281
7.3.1概述281
7.3.2HashBasedShuffle內核282
7.3.3HashBasedShuffle數據讀寫的源碼解析285
7.4SortedBasedShuffle290
7.4.1概述292
7.4.2SortedBasedShuffle內核293
7.4.3SortedBasedShuffle數據讀寫的源碼解析294
7.5TungstenSortedBasedShuffle302
7.5.1概述302
7.5.2TungstenSortedBasedShuffle內核302
7.5.3TungstenSortedBasedShuffle數據讀寫的源碼解析303
7.6Shuffle與Storage模塊間的交互309
7.6.1Shuffle注冊的交互310
7.6.2Shuffle寫數據的交互314
7.6.3Shuffle讀數據的交互315
7.6.4BlockManager架構原理、運行流程圖和源碼解密315
7.6.5BlockManager解密進階：BlockManager初始化和注冊解密、BlockManager-Master工作解密、BlockTransferService解密、本地數據讀寫解密、遠程數據讀寫解密324
7.7本章總結341
第8章Job工作原理和源碼詳解342
8.1Job到底在什么時候產生342
8.1.1觸發Job的原理和源碼解析342
8.1.2觸發Job的算子案例344
8.2Stage劃分內幕345
8.2.1Stage劃分原理詳解345
8.2.2Stage劃分源碼詳解346
8.3Task全生命周期詳解346
8.3.1Task的生命過程詳解347
8.3.2Task在Driver和Executor中交互的全生命周期原理和源碼詳解348
8.4ShuffleMapTask和ResultTask處理結果是如何被Driver管理的364
8.4.1ShuffleMapTask執行結果和Driver的交互原理及源碼詳解364
8.4.2ResultTask執行結果與Driver的交互原理及源碼詳解370
第9章Spark中Cache和checkpoint原理和源碼詳解372
9.1Spark中Cache原理和源碼詳解372
9.1.1Spark中Cache原理詳解372
9.1.2Spark中Cache源碼詳解372
9.2Spark中checkpoint原理和源碼詳解381
9.2.1Spark中checkpoint原理詳解381
9.2.2Spark中checkpoint源碼詳解381
第10章Spark中Broadcast和Accumulator原理和源碼詳解391
10.1Spark中Broadcast原理和源碼詳解391
10.1.1Spark中Broadcast原理詳解391
10.1.2Spark中Broadcast源碼詳解393
10.2Spark中Accumulator原理和源碼詳解396
10.2.1Spark中Accumulator原理詳解396
10.2.2Spark中Accumulator源碼詳解396
第11章Spark與大數據其他經典組件整合原理與實戰399
11.1Spark組件綜合應用399
11.2Spark與Alluxio整合原理與實戰400
11.2.1Spark與Alluxio整合原理400
11.2.2Spark與Alluxio整合實戰401
11.3Spark與JobServer整合原理與實戰403
11.3.1Spark與JobServer整合原理403
11.3.2Spark與JobServer整合實戰404
11.4Spark與Redis整合原理與實戰406
11.4.1Spark與Redis整合原理406
11.4.2Spark與Redis整合實戰407
中篇商業案例
第12章Spark商業案例之大數據電影點評系統應用案例412
12.1通過RDD實現分析電影的用戶行為信息412
12.1.1搭建IDEA開發環境412
12.1.2大數據電影點評系統中電影數據說明425
12.1.3電影點評系統用戶行為分析統計實戰428
12.2通過RDD實現電影流行度分析431
12.3通過RDD分析各種類型的最喜愛電影TopN及性能優化技巧433
12.4通過RDD分析電影點評系統仿QQ和微信等用戶群分析及廣播
背后機制解密436
12.5通過RDD分析電影點評系統實現Java和Scala版本的二次排序系統439
12.5.1二次排序自定義Key值類實現（Java）440
12.5.2電影點評系統二次排序功能實現（Java）442
12.5.3二次排序自定義Key值類實現（Scala）445
12.5.4電影點評系統二次排序功能實現（Scala）446
12.6通過SparkSQL中的SQL語句實現電影點評系統用戶行為分析447
12.7通過SparkSQL下的兩種不同方式實現口碑最佳電影分析451
12.8通過SparkSQL下的兩種不同方式實現最流行電影分析456
12.9通過DataFrame分析最受男性和女性喜愛電影TopN457
12.10純粹通過DataFrame分析電影點評系統仿QQ和微信、淘寶等用戶群460
12.11純粹通過DataSet對電影點評系統進行流行度和不同年齡階段興趣分析等462
12.11.1通過DataSet實現某特定電影觀看者中男性和女性不同年齡的人數463
12.11.2通過DataSet方式計算所有電影中平均得分最高
（口碑最好）的電影TopN464
12.11.3通過DataSet方式計算所有電影中粉絲或者觀看人數最多（最流行電影）的電影TopN465
12.11.4純粹通過DataSet的方式實現所有電影中最受男性、女性喜愛的
電影Top10466
12.11.5純粹通過DataSet的方式實現所有電影中QQ或者微信核心目標
用戶最喜愛電影TopN分析467
12.11.6純粹通過DataSet的方式實現所有電影中淘寶核心目標用戶最喜愛電影TopN分析469
12.12大數據電影點評系統應用案例涉及的核心知識點原理、源碼及案例代碼470
12.12.1知識點：廣播變量Broadcast內幕機制470
12.12.2知識點：SQL全局臨時視圖及臨時視圖473
12.12.3大數據電影點評系統應用案例完整代碼474
12.13本章總結496
第13章Spark2.2實戰之Dataset開發實戰企業人員管理系統應用案例498
13.1企業人員管理系統應用案例業務需求分析498
13.2企業人員管理系統應用案例數據建模499
13.3通過SparkSession創建案例開發實戰上下文環境500
13.3.1Spark1.6.0版本SparkContext500
13.3.2Spark2.0.0版本SparkSession501
13.3.3DataFrame、DataSet剖析與實戰507
13.4通過map、flatMap、mapPartitions等分析企業人員管理系統510
13.5通過dropDuplicate、coalesce、repartition等分析企業人員管理系統512
13.6通過sort、join、joinWith等分析企業人員管理系統514
13.7通過randomSplit、sample、select等分析企業人員管理系統515
13.8通過groupBy、agg、col等分析企業人員管理系統517
13.9通過collect_list、collect_set等分析企業人員管理系統518
13.10通過avg、sum、countDistinct等分析企業人員管理系統519
13.11Dataset開發實戰企業人員管理系統應用案例代碼519
13.12本章總結522
第14章Spark商業案例之電商交互式分析系統應用案例523
14.1純粹通過DataSet進行電商交互式分析系統中特定時段訪問次數TopN523
14.1.1電商交互式分析系統數據說明523
14.1.2特定時段內用戶訪問電商網站排名TopN525
14.2純粹通過DataSet分析特定時段購買金額Top10和訪問次數增長Top10527
14.3純粹通過DataSet進行電商交互式分析系統中各種類型TopN分析實戰詳解530
14.3.1統計特定時段購買金額最多的Top5用戶530
14.3.2統計特定時段訪問次數增長最多的Top5用戶530
14.3.3統計特定時段購買金額增長最多的Top5用戶531
14.3.4統計特定時段注冊之后前兩周內訪問次數最多的Top10用戶533
14.3.5統計特定時段注冊之后前兩周內購買總額最多的Top10用戶534
14.4電商交互式分析系統應用案例涉及的核心知識點原理、源碼及案例代碼535
14.4.1知識點：Functions.scala535
14.4.2電商交互式分析系統應用案例完整代碼548
14.5本章總結555
第15章Spark商業案例之NBA籃球運動員大數據分析系統應用案例556
15.1NBA籃球運動員大數據分析系統架構和實現思路556
15.2NBA籃球運動員大數據分析系統代碼實戰：數據清洗和初步處理561
15.3NBA籃球運動員大數據分析代碼實戰之核心基礎數據項編寫565
15.3.1NBA球員數據每年基礎數據項記錄565
15.3.2NBA球員數據每年標準分Z-Score計算567
15.3.3NBA球員數據每年歸一化計算568
15.3.4NBA歷年比賽數據按球員分組統計分析572
15.3.5NBA球員年齡值及經驗值列表獲取575
15.3.6NBA球員年齡值及經驗值統計分析576
15.3.7NBA球員系統內部定義的函數、輔助工具類578
15.4NBA籃球運動員大數據分析完整代碼測試和實戰582
15.5NBA籃球運動員大數據分析系統應用案例涉及的核心知識點、原理、源碼594
15.5.1知識點：StatCounter源碼分析594
15.5.2知識點：StatCounter應用案例598
15.6本章總結601
第16章電商廣告點擊大數據實時流處理系統案例602
16.1電商廣告點擊綜合案例需求分析和技術架構602
16.1.1電商廣告點擊綜合案例需求分析602
16.1.2電商廣告點擊綜合案例技術架構603
16.1.3電商廣告點擊綜合案例整體部署606
16.1.4生產數據業務流程及消費數據業務流程607
16.1.5SparkJavaStreamingContext初始化及啟動607
16.1.6SparkStreaming使用NoReceivers方式讀取Kafka數據及監控609
16.2電商廣告點擊綜合案例在線點擊統計實戰612
16.3電商廣告點擊綜合案例黑名單過濾實現615
16.3.1基于用戶廣告點擊數據表，動態過濾黑名單用戶616
16.3.2黑名單的整個RDD進行去重操作617
16.3.3將黑名單寫入到黑名單數據表618
16.4電商廣告點擊綜合案例底層數據層的建模和編碼實現（基于MySQL）618
16.4.1電商廣告點擊綜合案例數據庫鏈接單例模式實現619
16.4.2電商廣告點擊綜合案例數據庫操作實現622
16.5電商廣告點擊綜合案例動態黑名單過濾真正的實現代碼624
16.5.1從數據庫中獲取黑名單封裝成RDD624
16.5.2黑名單RDD和批處理RDD進行左關聯，過濾掉黑名單625
16.6動態黑名單基于數據庫MySQL的真正操作代碼實戰627
16.6.1MySQL數據庫操作的架構分析627
16.6.2MySQL數據庫操作的代碼實戰628
16.7通過updateStateByKey等實現廣告點擊流量的在線更新統計634
16.8實現每個省份點擊排名Top5廣告639
16.9實現廣告點擊Trend趨勢計算實戰643
16.10實戰模擬點擊數據的生成和數據表SQL的建立648
16.10.1電商廣告點擊綜合案例模擬數據的生成648
16.10.2電商廣告點擊綜合案例數據表SQL的建立651
16.11電商廣告點擊綜合案例運行結果654
16.11.1電商廣告點擊綜合案例Hadoop集群啟動654
16.11.2電商廣告點擊綜合案例Spark集群啟動655
16.11.3電商廣告點擊綜合案例Zookeeper集群啟動656
16.11.4電商廣告點擊綜合案例Kafka集群啟動658
16.11.5電商廣告點擊綜合案例Hivemetastore集群啟動660
16.11.6電商廣告點擊綜合案例程序運行660
16.11.7電商廣告點擊綜合案例運行結果661
16.12電商廣告點擊綜合案例Scala版本關注點663
16.13電商廣告點擊綜合案例課程的Java源碼666
16.14電商廣告點擊綜合案例課程的Scala源碼694
16.15本章總結711
第17章Spark在通信運營商生產環境中的應用案例712
17.1Spark在通信運營商融合支付系統日志統計分析中的綜合應用案例712
17.1.1融合支付系統日志統計分析綜合案例需求分析712
17.1.2融合支付系統日志統計分析數據說明714
17.1.3融合支付系統日志清洗中Scala正則表達式與模式匹配結合的
代碼實戰718
17.1.4融合支付系統日志在大數據Splunk中的可視化展示722
17.1.5融合支付系統日志統計分析案例涉及的正則表達式知識點
及案例代碼733
17.2Spark在光寬用戶流量熱力分布GIS系統中的綜合應用案例742
17.2.1光寬用戶流量熱力分布GIS系統案例需求分析742
17.2.2光寬用戶流量熱力分布GIS應用的數據說明742
17.2.3光寬用戶流量熱力分布GIS應用Spark實戰744
17.2.4光寬用戶流量熱力分布GIS應用Spark實戰成果748
17.2.5光寬用戶流量熱力分布GIS應用Spark案例代碼749
17.3本章總結752
第18章使用SparkGraphX實現婚戀社交網絡多維度分析案例753 |
| 序： |
