第 一部分 基礎篇

第　1章 序篇　2
1.1　Spark與BDAS　3
1.2　Databricks　4
1.3　如何通過GitHub向Spark貢獻代碼　5
1.4　如何選擇Spark編程語言　8
1.5　函數式編程思想　9
1.6　小結　12
第　2章 Spark編程　13
2.1　Spark架構　13
2.2　Spark 2.x與Spark 3.x　15
2.2.1　Tungsten項目　16
2.2.2　統一Dataset和DataFrame 接口　20
2.2.3　新一代流處理技術：Structured Streaming與持續型應用　21
2.2.4　Hydrogen項目和Spark 3.x　22
2.3　部署Spark　26
2.3.1　Spark on YARN　27
2.3.2　Spark on Mesos　28
2.3.3　Spark Standalone　29
2.3.4　Spark on Kubernetes　30
2.3.5　安裝Spark　31
2.3.6　提交作業　31
2.3.7　Spark Shell　33
2.3.8　初始化SparkSession　34
2.4　RDD與算子　34
2.4.1　RDD　34
2.4.2　創建RDD　36
2.4.3　轉換算子　38
2.4.4　行動算子　43
2.4.5　RDD血統與Spark容錯　45
2.5　Spark Shuffle　47
2.5.1　Hash Shuffle　47
2.5.2　Sort-based Shuffle　49
2.6　共享變量　50
2.6.1　廣播變量　50
2.6.2　累加器　53
2.7　Spark的多語言支持　55
2.7.1　PySpark　55
2.7.2　SparkR　56
2.8　Spark性能調優　56
2.8.1　硬件配置與資源管理平臺　57
2.8.2　參數調優與應用調優　57
2.9　使用Jupyter Notebook基于Spark探索數據：蒙特卡羅方法預測股票價格　64
2.9.1　Jupyter Notebook　64
2.9.2　用蒙特卡羅方法預測股票價格　67
2.10　小結　70
第3章　Spark統一編程接口：DataFrame、Dataset和Spark SQL　71
3.1　Catalyst優化器　72
3.1.1　SQL抽象語法樹　72
3.1.2　從ULEP到RLEP的過程　73
3.1.3　調優RLEP　73
3.1.4　全階段代碼生成　74
3.2　DataFrame API　75
3.2.1　創建DataFrame　75
3.2.2　查詢　77
3.2.3　窗口函數　80
3.2.4　用戶自定義函數　83
3.2.5　寫入　85
3.3　Dataset API　86
3.3.1　RDD、DataFrame和Dataset　87
3.3.2　安全類型的UDAF　88
3.4　Spark SQL　89
3.4.1　創建臨時視圖　90
3.4.2　使用Hive元數據　90
3.4.3　查詢語句　91
3.4.4　函數　94
3.4.5　用戶自定義函數　97
3.5　Google Dremel與列式存儲　97
3.5.1　Apache Parquet　99
3.5.2　Apache ORC　100
3.5.3　Apache CarbonData　100
3.5.4　對比測試　101
3.6　使用Spark SQL進行數據探索　102
3.7　小結　107
第4章　Spark流處理：Spark Streaming
與Structured　Streaming　108
4.1　一個Spark Streaming流處理的例子　109
4.2　消息送達保證　110
4.3　Google MillWheel系統和Google Dataflow模型　114
4.3.1　Google MillWheel設計思想　114
4.3.2　Google MillWheel如何實現“恰好一次”消息送達語義　114
4.3.3　Google MillWheel對亂序數據與晚到數據的處理　115
4.3.4　Google Dataflow：流處理和批處理的統一與取舍　117
4.4　Spark Streaming　122
4.4.1　關鍵抽象與架構　123
4.4.2　無狀態的轉換算子　125
4.4.3　有狀態的轉換算子　129
4.4.4　輸入與輸出　134
4.4.5　Spark Streaming與Spark SQL　138
4.4.6　容錯與結果正確性　139
4.4.7　性能調優　141
4.5　Structured Streaming　144
4.5.1　關鍵抽象與架構　144
4.5.2　操作　147
4.5.3　輸入和輸出　154
4.5.4　股票交易價格實時分析　157
4.6　流處理技術對比　162
4.7　小結　163
第5章　Spark圖計算：GraphX　164
5.1　圖模式　164
5.1.1　圖結構　164
5.1.2　圖存儲　165
5.1.3　圖數據庫　168
5.1.4　圖挖掘技術　169
5.1.5　屬性圖與RDF　170
5.2　生成圖　171
5.2.1　從已有數據中生成　172
5.2.2　通過GraphGenerators生成　174
5.3　圖算子　175
5.3.1　屬性算子　175
5.3.2　結構算子　175
5.3.3　連接算子　175
5.3.4　aggregateMessages　176
5.4　Pregel API　177
5.4.1　圖分區　177
5.4.2　像頂點一樣思考　180
5.4.3　用戶自定義函數　182
5.4.4　PageRank的GraphX實現　183
5.4.5　標簽傳播算法　186
5.5　SQL on Graph　187
5.5.1　生成圖　188
5.5.2　SQL查詢　189
5.5.3　模式發現　190
5.5.4　一些GraphX已經有的算法　191
5.5.5　一些GraphX沒有的算法　191
5.5.6　AggregateMessages　192
5.6　n度鄰居頂點算法　193
5.7　小結　196
第6章　Spark機器學習：MLlib　197
6.1　機器學習　197
6.1.1　典型的機器學習工作流　198
6.1.2　機器學習任務的學習類型　199
6.2　Spark MLlib與Spark ML　201
6.3　數據預處理　205
6.3.1　數據標準化　205
6.3.2　缺失值處理　207
6.3.3　特征抽取　208
6.3.4　特征選擇　212
6.4　分類算法應用　214
6.4.1　決策樹　214
6.4.2　隨機森林　217
6.4.3　人體狀態監測器　218
6.4.4　集成學習　223
6.4.5　梯度提升決策樹　224
6.5　聚類算法應用　225
6.5.1　物以類聚　225
6.5.2　k均值聚類算法　226
6.5.3　實現　227
6.6　推薦系統應用　230
6.6.1　基于用戶的協同過濾　231
6.6.2　基于商品的協同過濾　233
6.6.3　兩種協同過濾的對比　235
6.6.4　基于模型的協同過濾　236
6.6.5　Movielens電影推薦系統　237
6.7　訓練之后　238
6.7.1　模型評估　239
6.7.2　交叉驗證與超參調優　241
6.8　流式機器學習　242
6.8.1　流回歸　242
6.8.2　流聚類　244
6.8.3　用流處理應用來監控模型　245
6.9　小結　249
第7章　Spark深度學習：Deeplearning4j　250
7.1　常見的深度學習框架　251
7.2　Deeplearning4j　252
7.3　卷積神經網絡　252
7.3.1　理解卷積神經網絡　252
7.3.2　用Deeplearning4j訓練卷積神經網絡　254
7.4　循環神經網絡　257
7.4.1　理解循環神經網絡　258
7.4.2　用Deeplearning4j訓練循環神經網絡　262
7.5　自動編碼器　264
7.5.1　理解自動編碼器　264
7.5.2　用Deeplearning4j訓練自動編碼器　267
7.6　使用GPU　269
7.7　小結　270
第8章　分布式存儲：Alluxio　271
8.1　Alluxio架構　271
8.1.1　Alluxio的組成部分　273
8.1.2　虛擬的Alluxio　273
8.1.3　統一而透明的命名空間　274
8.2　快速上手Alluxio　275
8.2.1　安裝Alluxio　275
8.2.2　Alluxio配置　276
8.2.3　Alluxio血統機制　277
8.3　與上層框架集成　277
8.3.1　與Spark集成　278
8.3.2　與Presto集成　279
8.3.3　與HBase集成　280
8.4　與底層存儲系統集成　281
8.4.1　與Ceph集成　281
8.4.2　掛載其他文件系統　281
8.5　如何訪問Alluxio　282
8.6　Alluxio應用案例　283
8.6.1　攜程網　283
8.6.2　滴滴出行　284
8.6.3　陌陌　286
8.7　小結　288

第二部分　應用篇

第9章　企業數據湖與Lambda架構　290
9.1　數據湖　290
9.1.1　數據的湖泊　290
9.1.2　數據湖要解決的問題　291
9.1.3　數據湖與數據倉庫對比　292
9.1.4　數據湖如何工作　293
9.2　Lambda架構　293
9.2.1　批處理層　294
9.2.2　服務層　295
9.2.3　速度層　295
9.2.4　Lambda架構　296
9.2.5　Lambda架構的原則　297
9.3　基于Lambda架構的數據湖分層設計　297
9.3.1　數據獲取層　298
9.3.2　消息層　299
9.3.3　數據攝取層　300
9.3.4　數據存儲層　300
9.3.5　Lambda層　301
9.4　Lambda架構的應用　301
9.4.1　搜索引擎　301
9.4.2　Druid　302
9.5　構建Lambda架構的技術　303
9.6　小結　304
第　10章 大數據企業動態背景調查平臺　305
10.1　企業背景調查　305
10.2　基于大數據的企業動態背景調查　308
10.2.1　企業行為信息　308
10.2.2　企業關聯方分析　311
10.3　數據采集與數據字典　313
10.4　企業背景調查平臺需求　317
10.4.1　企業關聯圖譜展示　317
10.4.2　企業風險指標計算　318
10.5　企業關聯圖譜的模式　318
10.6　傳統數據倉庫架構　320
10.7　小結　321
第　11章 平臺設計　322
11.1　平臺架構　322
11.1.1　數據源　323
11.1.2　數據管道　323
11.1.3　速度層　325
11.1.4　批處理層　325
11.1.5　服務層　325
11.1.6　查詢層　325
11.1.7　可視化組件　325
11.2　物理拓撲　326
11.3　服務層圖數據庫設計　326
11.4　項目規劃　327
11.5　小結　327
第　12章 數據管道層　328
12.1　安裝并配置canal　328
12.2　實現Kafka生產者　330
12.3　安裝并配置Flume　335
12.4　小結　336
第　13章 速度層　337
13.1　速度層輸入　337
13.1.1　類型1　338
13.1.2　類型2　338
13.1.3　類型3　339
13.1.4　類型4　340
13.2　Cypher基礎　341
13.2.1　寫入　342
13.2.2　讀取　343
13.2.3　刪除　344
13.3　生成Cypher語句　345
13.3.1　類型1　345
13.3.2　類型2　346
13.3.3　類型3　346
13.3.4　類型4　346
13.3.5　實現　347
13.4　整合Structured Streaming　352
13.4.1　Neo4jWriter　353
13.4.2　啟動流　354
13.5　小結　355
第　14章 批處理層　356
14.1　自融風險監測　356
14.2　生成主數據集　357
14.2.1　全量與增量　358
14.2.2　合并　359
14.2.3　數據治理　361
14.3　用GraphX計算企業自融風險值　363
14.4　導入HBase　364
14.5　調度中心　366
14.5.1　Airflow　366
14.5.2　配置　368
14.6　小結　370
第　15章 服務層與查詢層　371
15.1　不僅僅是合并　371
15.1.1　NetworkX　372
15.1.2　計算流程　372
15.2　接口開發　372
15.3　小結　376

第三部分　總結篇

第　16章 總結和展望　378
16.1　統一的大數據處理接口　378
16.1.1　Unified Spark　378
16.1.2　Apache Beam　379
16.2　Kappa架構　380
16.3　大數據處理技術　382
16.3.1　Apache Flink　382
16.3.2　Apache Apex　383
16.3.3　Ray　384
16.4　Spark未來發展方向　386