PySpark原理深入與編程實戰(zhàn)（微課視頻版）

第 1章 Spark架構(gòu)原理與集群搭建( 
78min) ·· 1 
1.1 Spark簡介·1 
1.2 Spark技術(shù)棧·3 
1.2.1  Spark Core··4 
1.2.2  Spark SQL··4 
1.2.3 Spark Streaming和 Structured Streaming···5 
1.2.4  Spark MLlib ···5 
1.2.5  Spark GraphX·6 
1.2.6  SparkR ···6 
1.3 Spark和 PySpark架構(gòu)原理 ···7 
1.3.1 Spark集群和資源管理系統(tǒng) ··7 
1.3.2 Spark應(yīng)用程序 ··7 
1.3.3 Spark Driver和 Executor ···9 
1.3.4 PySpark架構(gòu)···10 
1.4 Spark程序部署模式11 
1.5 安裝和配置 Spark集群···12 
1.5.1 安裝 Spark ···12 
1.5.2 了解 Spark目錄結(jié)構(gòu)···13 
1.5.3 配置 Spark/PySpark集群·14 
1.5.4 驗證 PySpark安裝···15 
1.6 配置 Spark歷史服務(wù)器···17 
1.6.1 歷史服務(wù)器配置 ··17 
1.6.2 啟動 Spark歷史服務(wù)器···19 
1.7 使用 PySpark Shell進行交互式分析 ··20 
1.7.1 運行模式 --master·20 
1.7.2 啟動和退出 PySpark Shell···21 
1.7.3 PySpark Shell常用命令···23 
1.7.4 SparkContext和 SparkSession ·23 
1.7.5  Spark Web UI ···25 
1.8 使用 spark-submit提交 PySpark應(yīng)用程序·28 
1.8.1 spark-submit指令的各種參數(shù)說明·28
1.8.2 提交 pi.ipynb程序，計算圓周率 π值31 
1.8.3 將 PySpark程序提交到 YARN集群上執(zhí)行 ···32第 2章開發(fā)和部署 PySpark應(yīng)用程序( 
80min)··· 34 
2.1 使用 PyCharm開發(fā) PySpark應(yīng)用程序···34 
2.1.1 準備數(shù)據(jù)文件 ··34 
2.1.2 安裝 PyCharm··35 
2.1.3 創(chuàng)建一個新的 PyCharm項目··35 
2.1.4 安裝 PySpark包 ··36 
2.1.5 創(chuàng)建 PySpark應(yīng)用程序···39 
2.1.6 部署到集群中運行 ··40 
2.2 使用 Zeppelin進行交互式分析 ···41 
2.2.1 下載 Zeppelin安裝包··42 
2.2.2 安裝和配置 Zeppelin ···42 
2.2.3 配置 Spark/PySpark解釋器 ·44 
2.2.4 創(chuàng)建和執(zhí)行 Notebook文件·45 
2.3 使用 Jupyter Notebook進行交互式分析 ·46 
2.3.1 配置 PySpark Driver使用 Jupyter Notebook···47 
2.3.2 使用 findSpark包49第 3章 PySpark核心編程( 
212min) · 51 
3.1 理解數(shù)據(jù)抽象 RDD·51 
3.2 RDD編程模型 53 
3.2.1 單詞計數(shù)應(yīng)用程序 ··53 
3.2.2 理解 SparkSession56 
3.2.3 理解 SparkContext ···57 
3.3 創(chuàng)建 RDD 58 
3.3.1 將現(xiàn)有的集合并行化以創(chuàng)建 RDD··58 
3.3.2 從存儲系統(tǒng)讀取數(shù)據(jù)集以創(chuàng)建 RDD··60 
3.3.3 從已有的 RDD轉(zhuǎn)換得到新的 RDD ···60 
3.3.4 創(chuàng)建 RDD時指定分區(qū)數(shù)量 60 
3.4 操作 RDD 61 
3.4.1 RDD上的 Transformation和 Action ···62 
3.4.2 RDD Transformation操作64 
3.4.3 RDD Action操作·70 
3.4.4 RDD上的描述性統(tǒng)計操作·73 
3.5  Key-Value Pair RDD 74 
3.5.1 創(chuàng)建 Pair RDD ·75 
3.5.2 操作 Pair RDD ·76 
3.5.3 關(guān)于 reduceByKey()操作81 
3.5.4 關(guān)于 aggregateByKey() 操作···83 
3.5.5 關(guān)于 combineByKey()操作·87 3.6 持久化 RDD 90 
3.6.1 緩存 RDD 90 
3.6.2 RDD緩存策略 92 
3.6.3 檢查點 RDD 93 
3.7 數(shù)據(jù)分區(qū) ·94 
3.7.1 獲取和指定 RDD分區(qū)數(shù) 95 
3.7.2 調(diào)整 RDD分區(qū)數(shù)96 
3.7.3 內(nèi)置數(shù)據(jù)分區(qū)器 ··97 
3.7.4 自定義數(shù)據(jù)分區(qū)器 101 
3.7.5 避免不必要的 shuffling ·102 
3.7.6 基于數(shù)據(jù)分區(qū)的操作 104 
3.8 使用共享變量 108 
3.8.1 廣播變量 109 
3.8.2 累加器 ··· 114 
3.9 PySpark RDD可視化 116 
3.10 PySpark RDD編程案例 ·· 117 
3.10.1 合并小文件 · 117 
3.10.2 二次排序?qū)崿F(xiàn) · 119 
3.10.3 Top N實現(xiàn)··121 
3.10.4 數(shù)據(jù)聚合計算 ·125 第 4章 PySpark SQL(初級) ( 
163min)·127 
4.1 PySpark SQL數(shù)據(jù)抽象·127 
4.2 PySpark SQL編程模型·129 
4.3 程序入口 SparkSession··132 
4.4 PySpark SQL中的模式和對象··134 
4.4.1 模式···134 
4.4.2 列對象和行對象 135 
4.5 簡單構(gòu)造 DataFrame ·136 
4.5.1 簡單創(chuàng)建單列和多列 DataFrame ··137 
4.5.2 從 RDD創(chuàng)建 DataFrame ···140 
4.5.3 讀取外部數(shù)據(jù)源創(chuàng)建 DataFrame ··144 
4.6 操作 DataFrame ·166 
4.6.1 列的多種引用方式 167 
4.6.2 對 DataFrame執(zhí)行 Transformation轉(zhuǎn)換操作···170 
4.6.3 對 DataFrame執(zhí)行 Action操作184 
4.6.4 對 DataFrame執(zhí)行描述性統(tǒng)計操作 ·185 
4.6.5 提取 DataFrame Row中特定字段·188 
4.6.6 操作 DataFrame示例·189 
4.7 存儲 DataFrame ·191 
4.7.1 寫出 DataFrame ·191 4.7.2 存儲模式 194 
4.7.3 控制 DataFrame的輸出文件數(shù)量·195 
4.7.4 控制 DataFrame實現(xiàn)分區(qū)存儲·199 
4.8 臨時視圖與 SQL查詢···201 
4.8.1 在 PySpark程序中執(zhí)行 SQL語句201 
4.8.2 注冊臨時視圖并執(zhí)行 SQL查詢 ···203 
4.8.3 使用全局臨時視圖 206 
4.8.4 直接使用數(shù)據(jù)源注冊臨時視圖 ·208 
4.8.5 查看和管理表目錄 209 
4.9 緩存 DataFrame · 211 
4.9.1 緩存方法  211 
4.9.2 緩存策略 213 
4.9.3 緩存表 ···214 
4.10 PySpark SQL可視化···214 
4.10.1 PySpark DataFrame轉(zhuǎn)換到 Pandas·214 
4.10.2 PySpark SQL DataFrame可視化 218 
4.11  PySpark SQL編程案例 ···220 
4.11.1  實現(xiàn)單詞計數(shù) ·220 
4.11.2  用戶數(shù)據(jù)集分析 ·222 
4.11.3  航空公司航班數(shù)據(jù)集分析 ··224 第 5章 PySpark SQL(高級) ( 
115min)·234 
5.1 PySpark SQL函數(shù)·234 
5.2 內(nèi)置標量函數(shù) 234 
5.2.1 日期時間函數(shù) 235 
5.2.2 字符串函數(shù) 239 
5.2.3 數(shù)學(xué)計算函數(shù) 243 
5.2.4 集合元素處理函數(shù) 244 
5.2.5 其他函數(shù) 248 
5.2.6 函數(shù)應(yīng)用示例 252 
5.2.7 PySpark 3數(shù)組函數(shù)···255 
5.3 聚合與透視函數(shù) 264 
5.3.1 聚合函數(shù) 264 
5.3.2 分組聚合 271 
5.3.3 數(shù)據(jù)透視 274 
5.4 高級分析函數(shù) 277 
5.4.1 使用多維聚合函數(shù) 277 
5.4.2 使用時間窗口聚合 281 
5.4.3 使用窗口分析函數(shù) 286 
5.5 用戶自定義函數(shù)（ UDF）·296 
5.5.1 內(nèi)部原理 296 5.5.2 創(chuàng)建和使用 UDF ···297 
5.5.3 特殊處理 303 
5.6 數(shù)據(jù)集的 join連接305 
5.6.1 join表達式和 join類型·306 
5.6.2 執(zhí)行 join連接307 
5.6.3 處理重復(fù)列名 314 
5.6.4 join連接策略·317 
5.7 讀寫 Hive表··319 
5.7.1 PySpark SQL的 Hive配置320 
5.7.2 PySpark SQL讀寫 Hive表322 
5.7.3 分桶、分區(qū)和排序 332 
5.8 PySpark SQL編程案例·334 
5.8.1 電商訂單數(shù)據(jù)分析 334 
5.8.2 電影評分數(shù)據(jù)集分析 344 第 6章 PySpark結(jié)構(gòu)化流(初級) ( 
195min)·349 
6.1 PySpark DStream流簡介···349 
6.2 PySpark結(jié)構(gòu)化流簡介··354 
6.3 PySpark結(jié)構(gòu)化流編程模型··356 
6.4 PySpark結(jié)構(gòu)化流核心概念··360 
6.4.1 數(shù)據(jù)源 ···360 
6.4.2 輸出模式 361 
6.4.3 觸發(fā)器類型 362 
6.4.4 數(shù)據(jù)接收器 362 
6.4.5 水印···363 
6.5 使用各種流數(shù)據(jù)源 363 
6.5.1 使用 Socket數(shù)據(jù)源···364 
6.5.2 使用 Rate數(shù)據(jù)源···365 
6.5.3 使用 File數(shù)據(jù)源368 
6.5.4 使用 Kafka數(shù)據(jù)源 372 
6.6 流 DataFrame操作379 
6.6.1 選擇、投影和聚合操作 379 
6.6.2 執(zhí)行 join連接操作385 
6.7 使用數(shù)據(jù)接收器 388 
6.7.1 使用 File Data Sink 389 
6.7.2 使用 Kafka Data Sink·391 
6.7.3 使用 Foreach Data Sink··394 
6.7.4 使用 Console Data Sink ·399 
6.7.5 使用 Memory Data Sink·401 
6.7.6 Data Sink與輸出模式 ···402 
6.8 深入研究輸出模式 402 
6.8.1 無狀態(tài)流查詢 403 6.8.2 有狀態(tài)流查詢 404 
6.9 深入研究觸發(fā)器 409 
6.9.1 固定間隔觸發(fā)器 410 
6.9.2 一次性的觸發(fā)器 412 
6.9.3 連續(xù)性的觸發(fā)器 413 第 7章 PySpark結(jié)構(gòu)化流(高級) ( 
62min)···416 
7.1 事件時間和窗口聚合 416 
7.1.1 固定窗口聚合 416 
7.1.2 滑動窗口聚合 421 
7.2 水印···426 
7.2.1 限制維護的聚合狀態(tài)數(shù)量 ·426 
7.2.2 處理遲到的數(shù)據(jù) 429 
7.3 處理重復(fù)數(shù)據(jù) 436 
7.4 容錯···439 
7.5 流查詢度量指標 441 
7.6 結(jié)構(gòu)化流案例：運輸公司車輛超速實時監(jiān)測 ··443 
7.6.1 實現(xiàn)技術(shù)剖析 443 
7.6.2 完整實現(xiàn)代碼 449 
7.6.3 執(zhí)行步驟演示 451 第 8章 PySpark大數(shù)據(jù)分析綜合案例 ( 
21min)··455 
8.1 項目需求說明 455 
8.2 項目架構(gòu)設(shè)計 456 
8.3 項目實現(xiàn)：數(shù)據(jù)采集 457 
8.3.1 爬蟲程序?qū)崿F(xiàn)：使用 requests庫··457 
8.3.2 爬蟲程序?qū)崿F(xiàn)：使用 Scrapy框架460 
8.4 項目實現(xiàn)：數(shù)據(jù)集成 466 
8.4.1 Flume簡介 466 
8.4.2 安裝和配置 Flume·467 
8.4.3 實現(xiàn)數(shù)據(jù)集成 468 
8.5 項目實現(xiàn)：數(shù)據(jù) ELT 469 
8.6 項目實現(xiàn)：數(shù)據(jù)清洗與整理 ·472 
8.7 項目實現(xiàn)：數(shù)據(jù)分析 476 
8.8 項目實現(xiàn)：分析結(jié)果導(dǎo)出 ·479 
8.9 項目實現(xiàn)：數(shù)據(jù)可視化 480 
8.9.1 Flask框架簡介··480 
8.9.2 ECharts圖表庫介紹 ··481 
8.9.3 Flask Web程序開發(fā) ··483 
8.9.4 前端 ECharts組件開發(fā)··485