第 1章　數據科學生態系統 1
1.1　大數據生態系統簡介　1
1.1.1　數據管理　2
1.1.2　數據管理職責　2
1.1.3　合適的工具　4
1.2　數據架構　4
1.2.1　數據采集　5
1.2.2　數據湖　6
1.2.3　數據科學平臺　7
1.2.4　數據訪問　8
1.3　數據處理技術　8
1.4　配套工具　10
1.4.1　Apache HDFS　10
1.4.2　亞馬遜S3　12
1.4.3　Apache Kafka　13
1.4.4　Apache Parquet　14
1.4.5　Apache Avro　15
1.4.6　Apache NiFi　16
1.4.7　Apache YARN　17
1.4.8　Apache Lucene　18
1.4.9　Kibana　19
1.4.10　Elasticsearch　20
1.4.11　Accumulo　21
1.5　小結　22
第 2章　數據獲取　23
2.1　數據管道　23
2.1.1　通用采集框架　24
2.1.2　GDELT數據集簡介　25
2.2　內容登記　32
2.2.1　選擇和更多選擇　32
2.2.2　隨流而行　32
2.2.3　元數據模型　33
2.2.4　Kibana儀表盤　35
2.3　質量保證　36
2.3.1　案例1——基本質量檢查，無爭用用戶　36
2.3.2　案例2——進階質量檢查，無爭用用戶　36
2.3.3　案例3——基本質量檢查，50%使用率爭用用戶　37
2.4　小結　37
第3章　輸入格式與模式　39
3.1　結構化的生活是美好的生活　40
3.2　GDELT維度建模　40
3.3　加載數據　48
3.3.1　模式敏捷性　49
3.3.2　GKG ELT　51
3.4　Avro　54
3.4.1　Spark-Avro方法　55
3.4.2　教學方法　57
3.4.3　何時執行Avro轉換　61
3.5　Apache Parquet　62
3.6　小結　63
第4章　探索性數據分析　64
4.1　問題、原則與規劃　65
4.1.1　理解EDA問題　65
4.1.2　設計原則　65
4.1.3　探索的總計劃　66
4.2　準備工作　67
4.2.1　基于掩碼的數據剖析簡介　67
4.2.2　字符類掩碼簡介　71
4.2.3　構建基于掩碼的剖析器　73
4.3　探索GDELT　86
4.4　小結　107
第5章　利用Spark進行地理分析　108
5.1　GDELT和石油　108
5.1.1　GDELT事件　109
5.1.2　GDELT GKG　110
5.2　制訂行動計劃　110
5.3　GeoMesa　111
5.3.1　安裝　112
5.3.2　GDELT采集　112
5.3.3　GeoMesa采集　113
5.3.4　GeoHash　117
5.3.5　GeoServer　120
5.4　計量油價　123
5.4.1　使用GeoMesa查詢API　123
5.4.2　數據準備　125
5.4.3　機器學習　130
5.4.4　樸素貝葉斯　131
5.4.5　結果　132
5.4.6　分析　133
5.5　小結　134
第6章　采集基于鏈接的外部數據　135
6.1　構建一個大規模的新聞掃描器　135
6.1.1　訪問Web內容　136
6.1.2　與Spark集成　138
6.1.3　創建可擴展的生產準備庫　139
6.2　命名實體識別　142
6.2.1　Scala庫　143
6.2.2　NLP攻略　143
6.2.3　構建可擴展代碼　146
6.3　GIS查詢　148
6.3.1　GeoNames數據集　148
6.3.2　構建高效的連接　149
6.3.3　內容除重　153
6.4　名字除重　154
6.4.1　用Scalaz進行函數式編程　155
6.4.2　簡單清洗　158
6.4.3　DoubleMetaphone算法　158
6.5　新聞索引儀表板　160
6.6　小結　162
第7章　構建社區　163
7.1　構建一個人物圖譜　163
7.1.1　聯系鏈　164
7.1.2　從Elasticsearch中提取數據　166
7.2　使用Accumulo數據庫　168
7.2.1　設置Accumulo　168
7.2.2　單元級安全　169
7.2.3　迭代器　170
7.2.4　從Elasticsearch到Accumulo　170
7.2.5　從Accumulo讀取　173
7.2.6　AccumuloGraphxInputFormat和EdgeWritable　175
7.2.7　構建圖　175
7.3　社區發現算法　177
7.3.1　Louvain算法　177
7.3.2　加權社區聚類　178
7.4　GDELT數據集　193
7.4.1　Bowie 效應　194
7.4.2　較小的社區　195
7.4.3　使用Accumulo單元級的安全性　196
7.5　小結　197
第8章　構建推薦系統　198
8.1　不同的方法　198
8.1.1　協同過濾　199
8.1.2　基于內容的過濾　199
8.1.3　自定義的方法　199
8.2　信息不完整的數據　200
8.2.1　處理字節　200
8.2.2　創建可擴展的代碼　203
8.2.3　從時域到頻域　204
8.3　構建歌曲分析器　209
8.4　構建一個推薦系統　214
8.4.1　PageRank算法　214
8.4.2　構建個性化的播放列表　217
8.5　擴大“蛋糕廠”規模　217
8.5.1　構建播放列表服務　217
8.5.2　應用Spark任務服務器　219
8.5.3　用戶界面　223
8.6　小結　224
第9章　新聞詞典和實時標記系統　226
9.1　土耳其機器人　226
9.1.1　人類智能任務　227
9.1.2　引導分類模型　227
9.1.3　懶惰、急躁、傲慢　233
9.2　設計Spark Streaming應用　234
9.2.1　兩個架構的故事　234
9.2.2　Lambda架構的價值　237
9.2.3　Kappa架構的價值　239
9.3　消費數據流　240
9.3.1　創建GDELT數據流　240
9.3.2　創建Twitter數據流　242
9.4　處理Twitter數據　243
9.4.1　提取URL和主題標簽　244
9.4.2　保存流行的主題標簽　245
9.4.3　擴展縮短的URL　246
9.5　獲取HTML內容　248
9.6　使用Elasticsearch作為緩存層　249
9.7　分類數據　252
9.7.1　訓練樸素貝葉斯模型　253
9.7.2　確保線程安全　254
9.7.3　預測GDELT數據　255
9.8　Twitter土耳其機器人　256
9.9　小結　258
第 10章　故事除重和變遷　260
10.1　檢測近似重復　260
10.1.1　從散列開始第 一步　262
10.1.2　站在“互聯網巨人”的肩膀上　263
10.1.3　檢測GDELT中的近似重復　266
10.1.4　索引GDELT數據庫　271
10.2　構建故事　275
10.2.1　構建詞頻向量　275
10.2.2　維度災難，數據科學之痛　277
10.2.3　優化KMeans　278
10.3　故事變遷　281
10.3.1　平衡態　281
10.3.2　隨時間追蹤故事　283
10.3.3　構建故事的關聯　290
10.4　小結　294
第 11章　情感分析中的異常檢測　295
11.1　在Twitter上追蹤美國大選　296
11.1.1　流式獲取數據　296
11.1.2　成批獲取數據　297
11.2　情感分析　300
11.2.1　格式化處理Twitter數據　300
11.2.2　使用斯坦福NLP　302
11.2.3　建立管道　304
11.3　使用Timely作為時間序列數據庫　306
11.3.1　存儲數據　306
11.3.2　使用Grafana可視化情感　309
11.4　Twitter與戈德溫（Godwin）點　311
11.4.1　學習環境　311
11.4.2　對模型進行可視化　314
11.4.3　Word2Graph和戈德溫點　315
11.5　進入檢測諷刺的一小步　320
11.5.1　構建特征　320
11.5.2　檢測異常　324
11.6　小結　325

第 12章　趨勢演算　326
12.1　研究趨勢　327
12.2　趨勢演算算法　328
12.2.1　趨勢窗口　328
12.2.2　簡單趨勢　331
12.2.3　用戶定義聚合函數　332
12.2.4　簡單趨勢計算　337
12.2.5　反轉規則　339
12.2.6　FHLS條狀圖介紹　341
12.2.7　可視化數據　343
12.3　實際應用　351
12.3.1　算法特性　352
12.3.2　潛在的用例　352
12.4　小結　353
第 13章　數據保護　354
13.1　數據安全性　354
13.1.1　存在的問題　355
13.1.2　基本操作　355
13.2　認證和授權　356
13.3　訪問　358
13.4　加密　359
13.4.1　數據處于靜態時　359
13.4.2　數據處于傳輸時　368
13.4.3　混淆/匿名　369
13.4.4　遮罩　372
13.4.5　令牌化　375
13.5　數據處置　377
13.6　Kerberos認證　378
13.6.1　用例1：Apache Spark在受保護的HDFS中訪問數據　379
13.6.2　用例2：擴展到自動身份驗證　381
13.6.3　用例3：從Spark連接到安全數據庫　381
13.7　安全生態　383
13.7.1　Apache Sentry　383
13.7.2　RecordService　384
13.8　安全責任　385
13.9　小結　386
第 14章　可擴展算法　387
14.1　基本原則　387
14.2　Spark架構　390
14.2.1　Spark的歷史　390
14.2.2　動態組件　391
14.3　挑戰　395
14.3.1　算法復雜性　395
14.3.2　數值異常　395
14.3.3　洗牌　398
14.3.4　數據模式　398
14.4　規劃你的路線　399
14.5　設計模式和技術　409
14.5.1　Spark API　410
14.5.2　摘要模式　411
14.5.3　擴展并解決模式　411
14.5.4　輕量級洗牌　412
14.5.5　寬表模式　414
14.5.6　廣播變量模式　415
14.5.7　組合器模式　416
14.5.8　集群優化　420
14.5.9　再分配模式　422
14.5.10　加鹽鍵模式　423
14.5.11　二次排序模式　424
14.5.12　過濾過度模式　426
14.5.13　概率算法　426
14.5.14　選擇性緩存　427
14.5.15　垃圾回收　428
14.5.16　圖遍歷　429
14.6　小結　430