內容簡介
講解了網路大數據時代應運而生的、能高效迅捷地分析處理數據的工具——Spark,它帶領讀者快速掌握用 Spark 收集、計算、簡化和保存海量數據的方法,學會互動、疊代和增量式分析,解決分區、數據本地化和自定義序列化等問題。
目錄
第1篇 準備
-
第1章 認識大數據和Spark 2
1.1 大數據的介紹 2
1.2 Apache Spark能做什麼 3
1.3 其他分散式數據處理框架 4
1.4 如何使用本書 4
∣1.4.1 需要提前具備的基礎 4
∣1.4.2 準備相關開發環境 4
∣1.4.3 如何學習本書 5
-
第2章 安裝與配置Spark集群 6
2.1 下載Spark安裝包 6
2.2 檢查與準備集群環境 7
2.3 了解目前集群中已經部署的框架服務 11
2.4 部署Spark集群 12
∣2.4.1 實例1:基於Standalone模式部署Spark集群 12
∣2.4.2 實例2:部署Spark的歷史服務——Spark History Server 16
∣2.4.3 實例3:基於Standalone模式部署高可用的Master服務 18
∣2.4.4 實例4:基於YARN模式部署Spark集群 20
∣2.4.5 Standalone模式與YARN模式的特點 22
2.5 本章小結 23
-
第3章 第1個Spark程式 24
3.1 運行第1個Spark程式 24
∣3.1.1 實例5:基於Standalone模式運行第1個Spark程式 24
∣3.1.2 實例6:基於YARN模式運行第1個Spark程式 27
∣3.1.3 提交Spark程式時的參數規範 30
3.2 使用spark-shell編寫並運行WordCount程式 30
∣3.2.1 實例7:啟動spark-shell 31
∣3.2.2 實例8:在spark-shell中編寫WordCount程式 32
3.3 使用IDEA編寫並運行WordCount程式 34
∣3.3.1 實例9:準備開發環境,並構建代碼工程 34
∣3.3.2 實例10:使用IDEA編寫WordCount程式 41
∣3.3.3 實例11:在IDEA中本地運行WordCount程式 44
∣3.3.4 實例12:在IDEA中遠程運行WordCount程式 46
∣3.3.5 實例13:打包程式,並提交至集群運行 48
3.4 本章小結 49
=
第2篇 入門
-
第4章 讀寫分散式數據——基於Spark Core 52
4.1 RDD的誕生 52
4.2 進一步理解RDD 53
∣4.2.1 數據存儲 53
∣4.2.2 數據分析 55
∣4.2.3 程式調度 56
4.3 讀取數據並生成RDD 57
∣4.3.1 實例14:讀取普通文本數據 58
∣4.3.2 實例15:讀取JSON格式的數據 59
∣4.3.3 實例16:讀取CSV、TSV格式的數據 61
∣4.3.4 實例17:讀取SequenceFile格式的數據 62
∣4.3.5 實例18:讀取Object格式的數據 64
∣4.3.6 實例19:讀取HDFS中的數據——顯式調用Hadoop API 66
4.4 保存RDD中的數據到外部存儲 70
∣4.4.1 實例21:保存成普通文本檔案 70
∣4.4.2 實例22:保存成JSON檔案 71
∣4.4.3 實例23:保存成CSV、TSV檔案 73
∣4.4.4 實例24:保存成SequenceFile檔案 74
∣4.4.5 實例25:保存成Object檔案 75
∣4.4.6 實例26:保存成HDFS檔案——顯式調用Hadoop API的方式 76
∣4.4.7 實例27:寫入MySQL資料庫 78
4.5 本章小結 80
-
第5章 處理分散式數據——基於Spark Core 81
5.1 RDD的轉換(transformations)操作——轉換數據形態 81
∣5.1.1 實例28:基礎轉換操作 81
∣5.1.2 實例29:鍵值對轉換操作 103
5.2 RDD的行動(actions)操作——觸發執行任務計畫 115
∣5.2.1 實例30:基礎行動操作 116
∣5.2.2 實例31:鍵值對行動操作 125
∣5.2.3 實例32:數值行動操作 127
5.3 本章小結 128
=
第3篇 進階
-
第6章 RDD的高級操作 130
6.1 快取RDD 130
∣6.1.1 快取RDD的基礎知識 130
∣6.1.2 實例33:快取與釋放RDD 133
6.2 RDD的檢查點(Checkpoint)機制 139
∣6.2.1 了解Checkpoint機制 139
∣6.2.2 實例34:使用Checkpoint機制 141
∣6.2.3 Checkpoint機制的工作流程 144
6.3 RDD的依賴關係 145
∣6.3.1 窄依賴(narrow dependencies) 145
∣6.3.2 寬依賴(wide/shuffle dependencies) 148
∣6.3.3 實例35:讓子RDD混合依賴依賴多個父RDD 151
∣6.3.4 實例36:詞頻統計——總結運算過程涉及的概念 153
6.4 累加器(Accumulator) 155
∣6.4.1 認識累加器 155
∣6.4.2 實例37:使用系統累加器1——長整數、
雙精度浮點數累加器 156
∣6.4.3 實例38:使用系統累加器2——集合累加器 159
∣6.4.4 實例39:自定義累加器 160
6.5 廣播(Broadcast)——將數據塊快取到所有節點 164
∣6.5.1 認識廣播 165
∣6.5.2 實例40:使用廣播補全數據 165
6.6 本章小結 168
-
第7章 用SQL語法分析結構化數據——基於Spark SQL 169
7.1 為什麼會產生Spark SQL 169
7.2 認識DataFrame與Dataset數據類型 170
∣7.2.1 認識DataFrame 170
∣7.2.2 認識Dataset 171
7.3 實例41:通過Dataset、DataFrame分析用戶數據 172
∣7.3.1 用spark-shell編寫程式 172
∣7.3.2 用IDEA編寫程式 175
7.4 不同Spark版本的操作差異 177
∣7.4.1 認識SQLContext與HiveContext 178
∣7.4.2 認識SparkSession 178
7.5 DataFrame、Dataset的基本操作 179
∣7.5.1 DSL與SQL的語法風格 179
∣7.5.2 使用臨時視圖的注意事項 181
∣7.5.3 實例42:讀取JSON、CSV格式的數據 183
∣7.5.4 實例43:讀取Parquet格式的數據 185
∣7.5.5 實例44:讀取代碼中動態生成的數據 185
∣7.5.7 實例46:輸出Dataset、DataFrame中的數據 189
∣7.5.8 實例47:RDD、DataFrame、Dataset之間的相互轉換 192
∣7.6.1 實例48:實現“一進一出”的UDF 195
∣7.6.2 實例49:實現“多進一出”的UDAF 198
∣7.6.3 實例50:實現“一進多出”的UDTF 208
7.7 集成Spark SQL與Hive 211
∣7.7.1 已經部署Hive框架 211
∣7.7.2 尚未部署Hive框架 215
7.8 本章小結 215
-
第8章 實時處理流式數據——基於Spark Streaming 216
8.1 為什麼會產生Spark Streaming 216
8.2 第1個Spark Streaming程式 216
∣8.2.1 實例51:用spark-shell編寫程式 216
∣8.2.2 實例52:用IDEA編寫程式 221
8.3 什麼是DStream 222
∣8.3.1 認識DStream 222
∣8.3.2 認識DStreamGraph 223
8.4 讀取數據到DStream中 227
∣8.4.1 實例53:讀取HDFS資料夾中的數據 227
∣8.4.2 實例54:讀取RDD組成的數據佇列 229
∣8.4.3 實例55:實時讀取Flume中的數據 230
∣8.4.4 實例56:用高階API實時讀取Kafka中的數據 235
∣8.4.5 實例57:用低階API實時讀取Kafka中的數據 242
8.5 Spark Streaming中的幾個時間概念 251
∣8.5.1 批處理間隔 251
∣8.5.2 視窗時間寬度與滑動時間寬度 252
∣8.5.3 實例58:使用視窗操作,每兩秒鐘統計10秒內的平均溫度 254
8.6 DStream的操作總結 259
∣8.6.1 DStream的操作說明 259
∣8.6.2 實例59:直接面向DStream中的RDD進行數據分析 261
∣8.6.3 實例60:將DStream中的數據實時輸出至外部存儲系統 263
∣8.6.4 實例61:對Dstream進行join操作 267
8.7 DStream中的轉換分類 269
∣8.7.1 無狀態轉換 269
∣8.7.2 有狀態轉換 270
∣8.7.3 實例:用有狀態轉換做全局詞頻統計 270
8.8 在Spark Streaming中的快取與Checkpoint 272
∣8.8.1 認識Spark Streaming中的Checkpoint 273
∣8.8.2 實例62:使用Spark Streaming中的Checkpoint 273
8.9 Spark Streaming中的累加器與廣播變數 276
∣8.9.1 認識累加器與廣播變數 276
∣8.9.2 實例63:自定義累加器,並結合無狀態轉換,實現實時的全局詞頻統計 276
8.10 關閉Spark Streaming程式 280
∣8.10.1 關閉程式的方案 281
∣8.10.2 實例64:合理關閉一個運行中的Spark Streaming程式 281
8.11 本章小結 284
=
第4篇 高階
-
第9章 實時處理流式數據——基於Structured Streaming 286
9.1 為什麼會產生Structured Streaming 286
9.2 第1個Structured Streaming程式 287
∣9.2.1 實例65:用spark-shell編寫程式 287
∣9.2.2 實例66:用IDEA編寫程式 289
9.3 Structured Streaming的編程模型 291
9.4 輸入數據——生成Streaming Dataset、 Streaming DataFrame 292
∣9.4.1 實例67:根據檔案生成工作流 292
∣9.4.2 實例68:根據檔案、資料夾生成自動分區的工作流 295
∣9.4.3 實例69:根據Kafka以Streaming模式生成工作流 297
∣9.4.4 實例70:以Kafka為數據源,通過Batch方式生成工作流 300
∣9.4.5 實例71:根據指定速率生成工作流 304
9.5 基於事件時間的視窗操作 305
∣9.5.1 事件時間視窗的工作方式 305
∣9.5.2 實例72:事件時間視窗的生成規則 307
∣9.5.3 實例73:基於事件時間視窗實現詞頻統計 311
9.6 基於Watermark處理延遲數據 314
∣9.6.1 Watermark的作用 314
∣9.6.2 實例74:基於Update模式實現詞頻統計,並結合Watermark處理延遲數據 314
∣9.6.3 實例75:基於Append模式實現詞頻統計,並結合Watermark處理延遲數據 320
∣9.6.4 Watermark的底層工作原理 322
∣9.6.5 總結:Watermark機制與輸出模式 329
9.7 實例76:在處理流式數據時去除重複數據 330
9.8 Structured Streaming中的join操作 332
∣9.8.1 實例77:在Stream-Static模式下的inner join操作 333
∣9.8.2 實例78:在Stream-Stream模式下的inner join操作 335
∣9.8.3 總結:已經支持的join操作 340
9.9 在Structured Streaming中實現數據分組, 並手動維護分組狀態 341
∣9.9.1 實例79:通過mapGroupsWithState實現數據分組,並手動維護分組狀態 341
∣9.9.2 實例80:通過flatMapGroupsWithState實現數據分組,並手動維護分組狀態 347
∣9.9.3 總結:手動維護狀態與Watermark的使用技巧 352
9.10 輸出分析結果 353
∣9.10.1 輸出模式(Output Mode)的使用場景 353
∣9.10.2 實例81:基於File Sink輸出數據 354
∣9.10.3 實例82:基於Kafka Sink,以Streaming方式輸出數據 356
∣9.10.4 實例83:基於Kafka Sink,以Batch方式輸出數據 358
∣9.10.5 實例84:基於Console Sink輸出數據 360
∣9.10.6 實例85:基於Memory Sink輸出數據 360
∣9.10.7 實例86:基於Foreach Sink輸出數據 362
∣9.10.8 實例87:基於ForeachBatch Sink輸出數據 367
∣9.10.9 總結:不同Sink所適用的輸出模式 369
9.11 Trigger觸發器的分類 370
9.12 管理與監控工作流 370
∣9.12.1 管理工作流 370
∣9.12.2 監控工作流 372
9.13 Structured Streaming中的Checkpoint機制 372
9.14 連續處理模式——Continuous Processing 373
9.15 本章小結 374
-
第10章 Spark的相關最佳化 375
10.1 最佳化Spark程式 375
∣10.1.1 實例88:儘可能減少或避免出現Shuffle過程 375
∣10.1.2 實例89:使用Kryo作為序列化方案 377
∣10.1.3 儘可能批量運算元據 381
∣10.1.4 合理設定分區數 381
∣10.1.5 合理設定批處理間隔 381
10.2 最佳化數據 382
∣10.2.1 關於數據傾斜 382
∣10.2.2 實例90:使用自定義Partitioner緩解數據傾斜 383
∣10.2.3 關於數據補全 387
10.3 調優資源 388
10.4 本章小結 390
=
第5篇 商業項目實戰
-
第11章 實戰:學生學習情況分析系統 392
11.1 項目概述 392
∣11.1.1 業務背景 392
∣11.1.2 劃分業務模組 392
11.2 開發環境說明 393
11.3 項目實現 394
∣11.3.1 構建工程 394
∣11.3.2 模擬數據 395
∣11.3.3 實時傳送數據到Kafka 399
∣11.3.4 實時分析平台答題數據 402
∣11.3.5 構建推薦模型 405
∣11.3.6 實時推薦題目 411
∣11.3.7 離線學情分析 415
11.4 本章小結 422,=第1篇 準備
-
第1章 認識大數據和Spark 2
1.1 大數據的介紹 2
1.2 Apache Spark能做什麼 3
1.3 其他分散式數據處理框架 4
1.4 如何使用本書 4
∣1.4.1 需要提前具備的基礎 4
∣1.4.2 準備相關開發環境 4
∣1.4.3 如何學習本書 5
-
第2章 安裝與配置Spark集群 6
2.1 下載Spark安裝包 6
2.2 檢查與準備集群環境 7
2.3 了解目前集群中已經部署的框架服務 11
2.4 部署Spark集群 12
∣2.4.1 實例1:基於Standalone模式部署Spark集群 12
∣2.4.2 實例2:部署Spark的歷史服務——Spark History Server 16
∣2.4.3 實例3:基於Standalone模式部署高可用的Master服務 18
∣2.4.4 實例4:基於YARN模式部署Spark集群 20
∣2.4.5 Standalone模式與YARN模式的特點 22
2.5 本章小結 23
-
第3章 第1個Spark程式 24
3.1 運行第1個Spark程式 24
∣3.1.1 實例5:基於Standalone模式運行第1個Spark程式 24
∣3.1.2 實例6:基於YARN模式運行第1個Spark程式 27
∣3.1.3 提交Spark程式時的參數規範 30
3.2 使用spark-shell編寫並運行WordCount程式 30
∣3.2.1 實例7:啟動spark-shell 31
∣3.2.2 實例8:在spark-shell中編寫WordCount程式 32
3.3 使用IDEA編寫並運行WordCount程式 34
∣3.3.1 實例9:準備開發環境,並構建代碼工程 34
∣3.3.2 實例10:使用IDEA編寫WordCount程式 41
∣3.3.3 實例11:在IDEA中本地運行WordCount程式 44
∣3.3.4 實例12:在IDEA中遠程運行WordCount程式 46
∣3.3.5 實例13:打包程式,並提交至集群運行 48
3.4 本章小結 49
=
第2篇 入門
-
第4章 讀寫分散式數據——基於Spark Core 52
4.1 RDD的誕生 52
4.2 進一步理解RDD 53
∣4.2.1 數據存儲 53
∣4.2.2 數據分析 55
∣4.2.3 程式調度 56
4.3 讀取數據並生成RDD 57
∣4.3.1 實例14:讀取普通文本數據 58
∣4.3.2 實例15:讀取JSON格式的數據 59
∣4.3.3 實例16:讀取CSV、TSV格式的數據 61
∣4.3.4 實例17:讀取SequenceFile格式的數據 62
∣4.3.5 實例18:讀取Object格式的數據 64
∣4.3.6 實例19:讀取HDFS中的數據——顯式調用Hadoop API 66
∣4.3.7 實例20:讀取MySQL資料庫中的數據 68
4.4 保存RDD中的數據到外部存儲 70
∣4.4.1 實例21:保存成普通文本檔案 70
∣4.4.2 實例22:保存成JSON檔案 71
∣4.4.3 實例23:保存成CSV、TSV檔案 73
∣4.4.4 實例24:保存成SequenceFile檔案 74
∣4.4.5 實例25:保存成Object檔案 75
∣4.4.6 實例26:保存成HDFS檔案——顯式調用Hadoop API的方式 76
∣4.4.7 實例27:寫入MySQL資料庫 78
4.5 本章小結 80
-
第5章 處理分散式數據——基於Spark Core 81
5.1 RDD的轉換(transformations)操作——轉換數據形態 81
∣5.1.1 實例28:基礎轉換操作 81
∣5.1.2 實例29:鍵值對轉換操作 103
5.2 RDD的行動(actions)操作——觸發執行任務計畫 115
∣5.2.1 實例30:基礎行動操作 116
∣5.2.2 實例31:鍵值對行動操作 125
∣5.2.3 實例32:數值行動操作 127
5.3 本章小結 128
=
第3篇 進階
-
第6章 RDD的高級操作 130
6.1 快取RDD 130
∣6.1.1 快取RDD的基礎知識 130
∣6.1.2 實例33:快取與釋放RDD 133
6.2 RDD的檢查點(Checkpoint)機制 139
∣6.2.1 了解Checkpoint機制 139
∣6.2.2 實例34:使用Checkpoint機制 141
∣6.2.3 Checkpoint機制的工作流程 144
6.3 RDD的依賴關係 145
∣6.3.1 窄依賴(narrow dependencies) 145
∣6.3.2 寬依賴(wide/shuffle dependencies) 148
∣6.3.3 實例35:讓子RDD混合依賴依賴多個父RDD 151
∣6.3.4 實例36:詞頻統計——總結運算過程涉及的概念 153
6.4 累加器(Accumulator) 155
∣6.4.1 認識累加器 155
∣6.4.2 實例37:使用系統累加器1——長整數、
雙精度浮點數累加器 156
∣6.4.3 實例38:使用系統累加器2——集合累加器 159
∣6.4.4 實例39:自定義累加器 160
6.5 廣播(Broadcast)——將數據塊快取到所有節點 164
∣6.5.1 認識廣播 165
∣6.5.2 實例40:使用廣播補全數據 165
6.6 本章小結 168
-
第7章 用SQL語法分析結構化數據——基於Spark SQL 169
7.1 為什麼會產生Spark SQL 169
7.2 認識DataFrame與Dataset數據類型 170
∣7.2.1 認識DataFrame 170
∣7.2.2 認識Dataset 171
7.3 實例41:通過Dataset、DataFrame分析用戶數據 172
∣7.3.1 用spark-shell編寫程式 172
∣7.3.2 用IDEA編寫程式 175
7.4 不同Spark版本的操作差異 177
∣7.4.1 認識SQLContext與HiveContext 178
∣7.4.2 認識SparkSession 178
7.5 DataFrame、Dataset的基本操作 179
∣7.5.1 DSL與SQL的語法風格 179
∣7.5.2 使用臨時視圖的注意事項 181
∣7.5.3 實例42:讀取JSON、CSV格式的數據 183
∣7.5.4 實例43:讀取Parquet格式的數據 185
∣7.5.5 實例44:讀取代碼中動態生成的數據 185
∣7.5.7 實例46:輸出Dataset、DataFrame中的數據 189
∣7.5.8 實例47:RDD、DataFrame、Dataset之間的相互轉換 192
∣7.6.1 實例48:實現“一進一出”的UDF 195
∣7.6.2 實例49:實現“多進一出”的UDAF 198
∣7.6.3 實例50:實現“一進多出”的UDTF 208
7.7 集成Spark SQL與Hive 211
∣7.7.1 已經部署Hive框架 211
∣7.7.2 尚未部署Hive框架 215
7.8 本章小結 215
-
第8章 實時處理流式數據——基於Spark Streaming 216
8.1 為什麼會產生Spark Streaming 216
8.2 第1個Spark Streaming程式 216
∣8.2.1 實例51:用spark-shell編寫程式 216
∣8.2.2 實例52:用IDEA編寫程式 221
8.3 什麼是DStream 222
∣8.3.1 認識DStream 222
∣8.3.2 認識DStreamGraph 223
8.4 讀取數據到DStream中 227
∣8.4.1 實例53:讀取HDFS資料夾中的數據 227
∣8.4.2 實例54:讀取RDD組成的數據佇列 229
∣8.4.3 實例55:實時讀取Flume中的數據 230
∣8.4.4 實例56:用高階API實時讀取Kafka中的數據 235
∣8.4.5 實例57:用低階API實時讀取Kafka中的數據 242
8.5 Spark Streaming中的幾個時間概念 251
∣8.5.1 批處理間隔 251
∣8.5.2 視窗時間寬度與滑動時間寬度 252
∣8.5.3 實例58:使用視窗操作,每兩秒鐘統計10秒內的平均溫度 254
8.6 DStream的操作總結 259
∣8.6.1 DStream的操作說明 259
∣8.6.2 實例59:直接面向DStream中的RDD進行數據分析 261
∣8.6.3 實例60:將DStream中的數據實時輸出至外部存儲系統 263
∣8.6.4 實例61:對Dstream進行join操作 267
8.7 DStream中的轉換分類 269
∣8.7.1 無狀態轉換 269
∣8.7.2 有狀態轉換 270
∣8.7.3 實例:用有狀態轉換做全局詞頻統計 270
8.8 在Spark Streaming中的快取與Checkpoint 272
∣8.8.1 認識Spark Streaming中的Checkpoint 273
∣8.8.2 實例62:使用Spark Streaming中的Checkpoint 273
8.9 Spark Streaming中的累加器與廣播變數 276
∣8.9.1 認識累加器與廣播變數 276
∣8.9.2 實例63:自定義累加器,並結合無狀態轉換,實現實時的全局詞頻統計 276
8.10 關閉Spark Streaming程式 280
∣8.10.1 關閉程式的方案 281
∣8.10.2 實例64:合理關閉一個運行中的Spark Streaming程式 281
8.11 本章小結 284
=
第4篇 高階
-
第9章 實時處理流式數據——基於Structured Streaming 286
9.1 為什麼會產生Structured Streaming 286
9.2 第1個Structured Streaming程式 287
∣9.2.1 實例65:用spark-shell編寫程式 287
∣9.2.2 實例66:用IDEA編寫程式 289
9.3 Structured Streaming的編程模型 291
9.4 輸入數據——生成Streaming Dataset、 Streaming DataFrame 292
∣9.4.1 實例67:根據檔案生成工作流 292
∣9.4.2 實例68:根據檔案、資料夾生成自動分區的工作流 295
∣9.4.3 實例69:根據Kafka以Streaming模式生成工作流 297
∣9.4.4 實例70:以Kafka為數據源,通過Batch方式生成工作流 300
∣9.4.5 實例71:根據指定速率生成工作流 304
9.5 基於事件時間的視窗操作 305
∣9.5.1 事件時間視窗的工作方式 305
∣9.5.2 實例72:事件時間視窗的生成規則 307
∣9.5.3 實例73:基於事件時間視窗實現詞頻統計 311
9.6 基於Watermark處理延遲數據 314
∣9.6.1 Watermark的作用 314
∣9.6.2 實例74:基於Update模式實現詞頻統計,並結合Watermark處理延遲數據 314
∣9.6.3 實例75:基於Append模式實現詞頻統計,並結合Watermark處理延遲數據 320
∣9.6.4 Watermark的底層工作原理 322
∣9.6.5 總結:Watermark機制與輸出模式 329
9.7 實例76:在處理流式數據時去除重複數據 330
9.8 Structured Streaming中的join操作 332
∣9.8.1 實例77:在Stream-Static模式下的inner join操作 333
∣9.8.2 實例78:在Stream-Stream模式下的inner join操作 335
∣9.8.3 總結:已經支持的join操作 340
9.9 在Structured Streaming中實現數據分組, 並手動維護分組狀態 341
∣9.9.1 實例79:通過mapGroupsWithState實現數據分組,並手動維護分組狀態 341
∣9.9.2 實例80:通過flatMapGroupsWithState實現數據分組,並手動維護分組狀態 347
∣9.9.3 總結:手動維護狀態與Watermark的使用技巧 352
9.10 輸出分析結果 353
∣9.10.1 輸出模式(Output Mode)的使用場景 353
∣9.10.2 實例81:基於File Sink輸出數據 354
∣9.10.3 實例82:基於Kafka Sink,以Streaming方式輸出數據 356
∣9.10.4 實例83:基於Kafka Sink,以Batch方式輸出數據 358
∣9.10.5 實例84:基於Console Sink輸出數據 360
∣9.10.6 實例85:基於Memory Sink輸出數據 360
∣9.10.7 實例86:基於Foreach Sink輸出數據 362
∣9.10.8 實例87:基於ForeachBatch Sink輸出數據 367
∣9.10.9 總結:不同Sink所適用的輸出模式 369
9.11 Trigger觸發器的分類 370
9.12 管理與監控工作流 370
∣9.12.1 管理工作流 370
∣9.12.2 監控工作流 372
9.13 Structured Streaming中的Checkpoint機制 372
9.14 連續處理模式——Continuous Processing 373
9.15 本章小結 374
-
第10章 Spark的相關最佳化 375
10.1 最佳化Spark程式 375
∣10.1.1 實例88:儘可能減少或避免出現Shuffle過程 375
∣10.1.2 實例89:使用Kryo作為序列化方案 377
∣10.1.3 儘可能批量運算元據 381
∣10.1.4 合理設定分區數 381
∣10.1.5 合理設定批處理間隔 381
10.2 最佳化數據 382
∣10.2.1 關於數據傾斜 382
∣10.2.2 實例90:使用自定義Partitioner緩解數據傾斜 383
∣10.2.3 關於數據補全 387
10.3 調優資源 388
10.4 本章小結 390
=
第5篇 商業項目實戰
-
第11章 實戰:學生學習情況分析系統 392
11.1 項目概述 392
∣11.1.1 業務背景 392
∣11.1.2 劃分業務模組 392
11.2 開發環境說明 393
11.3 項目實現 394
∣11.3.1 構建工程 394
∣11.3.2 模擬數據 395
∣11.3.3 實時傳送數據到Kafka 399
∣11.3.4 實時分析平台答題數據 402
∣11.3.5 構建推薦模型 405
∣11.3.6 實時推薦題目 411
∣11.3.7 離線學情分析 415
11.4 本章小結 422