云计算环境下Spark大数据处理技术与实践
作者： 邓立国
出版社：清华大学出版社 2017年09月
简介：
本书围绕互联网重大的技术革命：云计算、大数据进行阐述。云计算环境下大数据处理构建是国民经济发展的信息基础设施，发展自主的云计算核心技术，拥有自己的信息基础设施，当前正处于重要的机遇期。本书重点在大数据与云计算的融合，给出了大数据与云计算的一些基本概念，并以Spark为开发工具，全面讲述云环境下的Spark大数据技术部署与典型案例算法实现，*后介绍了国内经典Spark大数据与云计算融合的架构与算法。本书适合云计算环境下Spark大数据技术人员、Spark MLlib机器学习技术人员，也适合高等院校和培训机构相关专业的师生教学参考。
【目录】
第1章 大数据处理概述 1
1.1 大数据处理技术概述 1
1.1.1什么是大数据 1
1.1.2大数据来源 2
1.1.3大数据应用价值 3
1.1.4大数据技术特点和研究内容 4
1.1.5大数据计算与系统 5
1.2 数据挖掘及其相关领域应用9
1.2.1数据挖掘概述 9
1.2.2数据挖掘与机器学习 11
1.2.3数据挖掘与数据库 11
1.2.4数据挖掘与统计学 12
1.2.5数据挖掘与决策支持 12
1.2.6数据挖掘与云计算 13
1.3 大数据应用 13
1.3.1大数据应用案例 13
1.3.2大数据应用场景 14
1.3.3大数据应用平台方案案例 21
1.4 并行计算简介 23
1.5Hadoop介绍 24
1.6 本章小结 26
第2章 云计算时代 27
2.1 云计算概述 27
2.1.1云计算概念 27
2.1.2云计算发展简史 28
2.1.3云计算实现机制 30
2.1.4云计算服务形式 31
2.1.5云计算时代的数据库NoSQL 32
2.2 云计算发展动力源泉 34
2.3 云计算技术分析 34
2.3.1编程模式 34
2.3.2海量数据云存储技术 37
2.3.3海量数据管理技术 38
2.3.4虚拟化技术 39
2.3.5分布式计算 41
2.3.6云监测技术 41
2.4 并行计算与云计算关系 43
2.4.1并行计算与云计算 44
2.4.2MapReduce 45
2.5 云计算发展优势 51
2.6 向云实现迁移 53
2.7 本章小结 55
第3章 大数据与云计算关系 56
3.1 云计算与大数据关系 56
3.2 大数据与云计算的融合是认识世界的新工具 57
3.3 大数据隐私保护是大数据云快速发展和运用的重要前提 59
3.3.1云计算的安全隐私 60
3.3.2大数据的安全隐私 60
3.4 大数据成就云计算价值 62
3.5 数据向云计算迁移 63
3.6 大数据清洗 64
3.7 云计算时代的数据集成技术66
3.8 云推荐 67
3.9 本章小结 68
第4章 Spark大数据处理基础 69
4.1Spark大数据处理技术 69
4.1.1Spark系统概述 69
4.1.2Spark生态系统BDAS（伯利克分析栈） 70
4.1.3Spark的用武之地 71
4.1.4Spark大数据处理框架 72
4.1.5Spark运行模式分类及术语 73
4.2Spark 2.0.0安装配置 74
4.2.1在Linux集群上安装与配置Spark 74
4.2.2Spark Shell 81
4.2.3Spark RDD 88
4.2.4Shark（Hive on Spark大型的数据仓库系统） 91
4.3Spark配置 92
4.3.1环境变量 92
4.3.2系统属性 93
4.3.3配置日志 95
4.3.4Spark 硬件配置 95
4.4Spark模式部署概述 96
4.5Spark Streaming实时计算框架 98
4.6Spark SQL 查询、DataFrames分布式数据集和Datasets API 101
4.7Spark起始点 102
4.7.1SparkSession 102
4.7.2SQLContext 103
4.7.3创建DataFrame 104
4.7.4无类型的Dataset操作（aka DataFrame Operations） 105
4.7.5编程执行SQL查询语句 111
4.7.6创建Dataset 112
4.7.7和RDD互操作 115
4.8Spark数据源 125
4.8.1通用加载/保存函数 125
4.8.2Parquet文件 127
4.8.3JSON数据集 135
4.8.4Hive表 136
4.8.5用JDBC连接其他数据库 143
4.9Spark性能调优 144
4.10分布式SQL引擎 145
4.11本章小结 146
第5章 Spark MLlib机器学习算法实现 147
5.1Spark MLlib基础 147
5.1.1机器学习 148
5.1.2机器学习分类 148
5.1.3机器学习常见算法 149
5.1.4Spark MLlib机器学习库 152
5.1.5基于Spark常用的算法举例分析 156
5.2Spark MLlib矩阵向量 159
5.2.1Breeze创建函数 159
5.2.2Breeze元素访问 161
5.2.3Breeze元素操作 162
5.2.4Breeze数值计算函数 165
5.2.5Breeze求和函数 166
5.2.6Breeze布尔函数 167
5.2.7Breeze线性代数函数 168
5.2.8Breeze取整函数 169
5.2.9Breeze三角函数 170
5.2.10BLAS向量运算 170
5.3Spark MLlib线性回归算法 171
5.3.1线性回归算法理论基础 171
5.3.2线性回归算法 172
5.3.3Spark MLlib Linear Regression源码分析 174
5.4Spark MLlib逻辑回归算法 183
5.4.1逻辑回归算法 184
5.4.2Spark MLlib Logistic Regression源码分析 186
5.5Spark MLlib朴素贝叶斯分类算法 199
5.5.1朴素贝叶斯分类算法 200
5.5.2朴素贝叶斯Spark MLlib源码 203
5.6Spark MLlib决策树算法 217
5.6.1决策树算法 217
5.6.2决策树实例 220
5.7Spark MLlib KMeans聚类算法 227
5.7.1KMeans聚类算法 227
5.7.2Spark MLlib KMeans源码分析 228
5.7.3MLlib KMeans实例 235
5.8Spark MLlib FPGrowth关联规则算法 236
5.8.1基本概念 236
5.8.2FPGrowth算法 237
5.8.3Spark MLlib FPGrowth源码分析 241
5.9Spark MLlib协同过滤推荐算法 244
5.9.1协同过滤概念 244
5.9.2相似度度量 245
5.9.3协同过滤算法按照数据使用分类 246
5.9.4Spark MLlib协同过滤算法实现 247
5.9.5Spark MLlib电影评级推荐 252
5.10Spark MLlib神经网络算法 261
5.11本章小结 264
第6章 Spark大数据架构系统部署 265
6.1 大数据架构介绍 265
6.2 典型的商务使用场景 266
6.2.1客户行为分析 266
6.2.2情绪分析 267
6.2.3CRM Onboarding 267
6.2.4预测 268
6.3Spark三种分布式部署模式 268
6.3.1Standalone模式 268
6.3.2Spark On Mesos 模式 269
6.3.3Spark On YARN模式 269
6.4 创建大数据架构 270
6.4.1数据采集 270
6.4.2数据接入 271
6.4.3Spark流式计算 273
6.4.4数据输出 274
6.4.5日志摄取 274
6.4.6机器学习 277
6.4.7处理引擎 277
6.5Spark单个机器集群部署 278
6.6 本章小结 280
第7章 Spark大数据处理案例分析 282
7.1Spark on Amazon EMR 282
7.1.1Amazon EMR 282
7.1.2配置 Spark 283
7.1.3以交互方式或批处理模式使用 Spark 284
7.1.4使用 Spark 创建集群 285
7.1.5访问 Spark 外壳 286
7.1.6添加 Spark 287
7.2Spark在AWSKrux的应用 289
7.3Spark在商业网站中的应用 290
7.4Spark在Yahoo!的应用 291
7.5Spark在Amazon EC2上运行 292
7.6 淘宝应用Spark onYARN架构 296
7.7 腾讯云大数据解决方案297
7.8 雅虎开源TensorFlowOnSpark298
7.9 阿里云E-MapReduce301
7.10SequoiaDB Spark 打造一体化大数据平台 304
7.11本章小结 305
第8章 大数据发展展望 306
8.1 大数据未来发展趋势 306
8.2 大数据给人类带来的认知冲击307
8.3 未来大数据研究突破的技术问题 308
8.4 本章小结 309
附录 Spark MLlib神经网络算法 312
参考文献 338
【免费在线读】
第 1 章? 大数据处理概述 ?
大数据是当今一个*热门的话题，我们每一个人都无法置身其外。就像几年前出现的云计算一样，大数据已经引起市场的广泛关注；同样，企业迫切需要对大数据下定义。大数据缺少一个标准且普及性的定义，至少不像NIST 对云的定义那样，能被人们广泛接受。调研公司IDC的定义可能比较容易被人们所接受。它对大数据的定义是：一种新一代的技术和架构，具备高效率的捕捉、发现和分析能力，能够经济地从类型繁杂、数量庞大的数据中挖掘出价值。1.1 大数据处理技术概述近几年，大数据迅速发展成为科技界和企业界甚至世界各国政府关注的热点。《Nature》和《Science》等相继出版专刊专门探讨大数据带来的机遇和挑战。著名管理咨询公司麦肯锡称：“数据已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于大数据的挖掘和运用，预示着新一波生产力增长和消费盈余浪潮的到来”。美国政府认为大数据是“未来的新石油，一个国家拥有数据的规模和运用数据的能力将成为综合国力的重要组成部分，对数据的占有和控制将成为国家间和企业间新的争夺焦点。大数据已成为社会各界关注的新焦点，“大数据时代”已然来临[1]。“大数据”是一个体量特别大、数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。百度知道大数据（bigdata）的定义，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理，并整理成为帮助企业经营决策更积极目的的资讯。大数据的5V特点：Volume、Velocity、Variety、Veracity、Value。1.1.1 什么是大数据“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。从数据的类别上看，“大数据”指的是无法使用传统流程或工具处理或分析的信息。它定义了那些超出正常处理范围和大小、迫使用户采用非传统处理方法的数据集。亚马逊网络服务（AWS）大数据科学家JohnRauser提到一个简单的定义：大数据就是任何超过了一台计算机处理能力的庞大数据量。其研发小组对大数据的定义：“大数据是*的、*时髦的技术，当这种现象出现时，定义就变得很混乱。”学者Kelly说：“大数据是可能不包含所有的信息，但我觉得大部分是正确的。对大数据的一部分认知在于，它是如此之大，分析它需要多个工作负载，这是AWS的定义。当你的技术达到极限时，也就是数据的极限”。大数据不是关于如何定义，*重要的是如何使用。*的挑战在于哪些技术能更好地使用数据以及大数据的应用情况如何。这与传统的数据库相比，开源的大数据分析工具如Hadoop的崛起，这些非结构化的数据服务的价值在哪里。相较于传统的数据，人们将大数据的特征总结为5个V，即体量大（Volume）、速度快（Velocity）、模态多（Variety）、难辨识（Veracity）和价值大（Value）。“大数据”首先是指数据体量(volumes)大，指代大型数据集，一般在10TB规模左右，但在实际应用中，很多企业用户把多个数据集放在一起，已经形成了PB级的数据量；其次是指数据类别（Variety）多，数据来自多种数据源，数据种类和格式日渐丰富，已冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据；接着是数据处理速度（Velocity）快，在数据量非常庞大的情况下，也能够做到数据的实时处理；还有一个特点是指数据真实性（Veracity）高，随着社交数据、企业内容、交易与应用数据等新数据源的兴趣，传统数据源的局限被打破，企业愈发需要有效的信息之力以确保其真实性及安全性。但大数据的主要难点并不在于数据量大，因为通过对计算机系统的扩展可以在一定程度上缓解数据量大带来的挑战。其实，大数据真正难以对付的挑战来自于数据类型多样（Variety）、要求及时响应（Velocity）和数据的不确定性（Veracity）。因为数据类型多样使得一个应用往往既要处理结构化数据，同时还要处理文本、视频、语音等非结构化数据，这对现有数据库系统来说难以应付；在快速响应方面，在许多应用中时间就是利益；在不确定性方面，数据真伪难辨是大数据应用的*挑战。追求高数据质量是对大数据的一项重要要求，*好的数据清理方法也难以消除某些数据固有的不可预测性。
