Spark大數(shù)據(jù)分析實(shí)戰(zhàn)

目 錄
第1章 Spark開發(fā)準(zhǔn)備——Scala基礎(chǔ) 1
1.1 什么是SCALA 1
1.2 安裝SCALA 2
1.2.1 在Windows中安裝Scala 2
1.2.2 在CentOS 7中安裝Scala 3
1.3 SCALA基礎(chǔ) 4
1.3.1 變量聲明 4
1.3.2 數(shù)據(jù)類型 5
1.3.3 表達(dá)式 7
1.3.4 循 環(huán) 8
1.3.5 方法與函數(shù) 10
1.4 集 合 14
1.4.1 數(shù) 組 14
1.4.2 List 16
1.4.3 Map映射 17
1.4.4 元 組 19
1.4.5 Set 20
1.5 類和對(duì)象 21
1.5.1 類的定義 21
1.5.2 單例對(duì)象 22
1.5.3 伴生對(duì)象 22
1.5.4 get和set方法 23
1.5.5 構(gòu)造器 25
1.6 抽象類和特質(zhì) 28
1.6.1 抽象類 28
1.6.2 特 質(zhì) 30
1.7 使用ECLIPSE創(chuàng)建SCALA項(xiàng)目 31
1.7.1 安裝Scala for Eclipse IDE 31
1.7.2 創(chuàng)建Scala項(xiàng)目 33
1.8 使用INTELLIJ IDEA創(chuàng)建SCALA項(xiàng)目 33
1.8.1 在IDEA中安裝Scala插件 34
1.8.2 創(chuàng)建Scala項(xiàng)目 37
第2章 初識(shí)Spark 40
2.1 大數(shù)據(jù)開發(fā)總體架構(gòu) 40
2.2 什么是SPARK 42
2.3 SPARK主要組件 43
2.4 SPARK運(yùn)行時(shí)架構(gòu) 45
2.4.1 YARN集群架構(gòu) 45
2.4.2 Spark Standalone架構(gòu) 49
2.4.3 Spark On YARN架構(gòu) 50
2.5 SPARK集群搭建與測(cè)試 53
2.5.1 Spark Standalone模式的集群搭建 53
2.5.2 Spark On YARN模式的集群搭建 55
2.5.3 Spark HA的搭建 56
2.6 SPARK應(yīng)用程序的提交 60
2.7 SPARK SHELL的使用 63
第3章 Spark RDD彈性分布式數(shù)據(jù)集 66
3.1 什么是RDD 66
3.2 創(chuàng)建RDD 67
3.2.1 從對(duì)象集合創(chuàng)建RDD 67
3.2.2 從外部存儲(chǔ)創(chuàng)建RDD 68
3.3 RDD的算子 69
3.3.1 轉(zhuǎn)化算子 69
3.3.2 行動(dòng)算子 77
3.4 RDD的分區(qū) 78
3.4.1 分區(qū)數(shù)量 79
3.4.2 自定義分區(qū)器 88
3.5 RDD的依賴 93
3.5.1 窄依賴 94
3.5.2 寬依賴 94
3.5.3 Stage劃分 95
3.6 RDD的持久化 97
3.6.1 存儲(chǔ)級(jí)別 98
3.6.2 查看緩存 100
3.7 RDD的檢查點(diǎn) 102
3.8 共享變量 104
3.8.1 廣播變量 104
3.8.2 累加器 106
3.9 案例分析：SPARK RDD實(shí)現(xiàn)單詞計(jì)數(shù) 107
3.10 案例分析：SPARK RDD實(shí)現(xiàn)分組求TOPN 116
3.11 案例分析：SPARK RDD實(shí)現(xiàn)二次排序 120
3.12 案例分析：SPARK RDD計(jì)算成績平均分 124
3.13 案例分析：SPARK RDD倒排索引統(tǒng)計(jì)每日新增用戶 126
3.14 案例分析：SPARK RDD讀寫HBASE 130
3.14.1 讀取HBase表數(shù)據(jù) 131
3.14.2 寫入HBase表數(shù)據(jù) 134
3.15 案例分析：SPARK RDD數(shù)據(jù)傾斜問題解決 143
3.15.1 數(shù)據(jù)傾斜的常用解決方法 144
3.15.2 使用隨機(jī)key進(jìn)行雙重聚合 145
3.15.3 WebUI查看Spark歷史作業(yè) 149
第4章 Spark內(nèi)核源碼分析 151
4.1 SPARK集群啟動(dòng)原理分析 151
4.2 SPARK應(yīng)用程序提交原理分析 162
4.3 SPARK作業(yè)工作原理分析 175
4.3.1 MapReduce的工作原理 175
4.3.2 Spark作業(yè)工作的原理 177
4.4 SPARK檢查點(diǎn)原理分析 191
第5章 Spark SQL結(jié)構(gòu)化數(shù)據(jù)處理引擎 196
5.1 什么是SPARK SQL 196
5.2 DATAFRAME和DATASET 197
5.3 SPARK SQL的基本使用 198
5.4 SPARK SQL數(shù)據(jù)源 201
5.4.1 基本操作 201
5.4.2 Parquet文件 206
5.4.3 JSON數(shù)據(jù)集 209
5.4.4 Hive表 211
5.4.5 JDBC 213
5.5 SPARK SQL內(nèi)置函數(shù) 214
5.5.1 自定義函數(shù) 216
5.5.2 自定義聚合函數(shù) 218
5.5.3 開窗函數(shù) 220
5.6 案例分析：使用SPARK SQL實(shí)現(xiàn)單詞計(jì)數(shù) 223
5.7 案例分析：SPARK SQL與HIVE整合 228
5.7.1 整合Hive的步驟 228
5.7.2 操作Hive的幾種方式 231
5.8 案例分析：SPARK SQL讀寫MYSQL 233
5.9 案例分析：SPARK SQL每日UV統(tǒng)計(jì) 238
5.10 案例分析：SPARK SQL熱點(diǎn)搜索詞統(tǒng)計(jì) 241
5.11 綜合案例：SPARK SQL智慧交通數(shù)據(jù)分析 244
5.11.1 項(xiàng)目介紹 244
5.11.2 數(shù)據(jù)準(zhǔn)備 246
5.11.3 統(tǒng)計(jì)正?？跀?shù)量 249
5.11.4 統(tǒng)計(jì)車流量排名前3的卡口號(hào) 249
5.11.5 統(tǒng)計(jì)車輛高速通過的卡口TOP5 250
5.11.6 統(tǒng)計(jì)每個(gè)卡口通過速度最快的前3輛車 254
5.11.7 車輛軌跡分析 255
第6章 Kafka分布式消息系統(tǒng) 256
6.1 什么是KAFKA 256
6.2 KAFKA架構(gòu) 257
6.3 主題與分區(qū) 259
6.4 分區(qū)副本 260
6.5 消費(fèi)者組 262
6.6 數(shù)據(jù)存儲(chǔ)機(jī)制 264
6.7 集群環(huán)境搭建 266
6.8 命令行操作 268
6.8.1 創(chuàng)建主題 268
6.8.2 查詢主題 269
6.8.3 創(chuàng)建生產(chǎn)者 269
6.8.4 創(chuàng)建消費(fèi)者 270
6.9 JAVA API操作 271
6.9.1 創(chuàng)建Java工程 271
6.9.2 創(chuàng)建生產(chǎn)者 271
6.9.3 創(chuàng)建消費(fèi)者 273
6.9.4 運(yùn)行程序 275
6.10 案例分析：KAFKA生產(chǎn)者攔截器 277
第7章 Spark Streaming實(shí)時(shí)流處理引擎 285
7.1 什么是SPARK STREAMING 285
7.2 SPARK STREAMING工作原理 286
7.3 輸入DSTREAM和RECEIVER 287
7.4 第一個(gè)SPARK STREAMING程序 288
7.5 SPARK STREAMING數(shù)據(jù)源 290
7.5.1 基本數(shù)據(jù)源 290
7.5.2 高級(jí)數(shù)據(jù)源 292
7.5.3 自定義數(shù)據(jù)源 293