从实用角度系统讲解Spark的数据处理工具及使用方法

手把手教你充分利用Spark提供的各种功能，快速编写高效分布式程序

系统讲解Spark的数据处理工具及使用方法，为快速编写高效分布式程序提供实用指南

内容简介
Spark是一个开源的通用并行分布式计算框架，由加州大学伯克利分校的AMP实验室开发，支持内存计算、多迭代批量处理、即席查询、流处理和图计算等多种范式。Spark内存计算框架适合各种迭代算法和交互式数据分析，能够提升大数据处理的实时性和准确性，现已逐渐获得很多企业的支持，如阿里巴巴、百度、网易、英特尔等公司。
《Spark快速数据处理》系统讲解Spark的使用方法，包括如何在多种机器上安装Spark，如何配置一个Spark集群，如何在交互模式下运行第一个Spark作业，如何在Spark集群上构建一个生产级的脱机/独立作业，如何与Spark集群建立连接和使用SparkContext，如何创建和保存RDD（弹性分布式数据集），如何用Spark分布式处理数据，如何设置Shark，将Hive查询集成到你的Spark作业中来，如何测试Spark作业，以及如何提升Spark任务的性能。
作者简介
Holden Karau，资深软件开发工程师，现就职于Databricks公司，之前曾就职于谷歌、微软和Foursquare等著名公司。他对开源情有独钟，参与了许多开源项目，如Linux内核无线驱动、Android程序监控、搜索引擎等，对存储系统、推荐系统、搜索分类等都有深入研究。
译者简介
余璜，阿里巴巴核心系统研发工程师，OceanBase核心开发人员，对分布式系统理论和工程实践有深刻理解，专注于分布式系统设计、大规模数据处理，乐于分享，在CSDN上分享了大量技术文章。
张磊，Spark爱好者，曾参与分布式OLAP数据库系统核心开发，热衷于大数据处理、分布式计算。
附件包括Spark快速数据处理第一版中英文，第二版英文
[hide][/hide]
目录
译者序
作者简介
前言
第1章安装Spark以及构建Spark集群 / 1
1.1单机运行Spark / 4
1.2在EC2上运行Spark / 5
1.3在ElasticMapReduce上部署Spark / 11
1.4用Chef(opscode)部署Spark / 12
1.5在Mesos上部署Spark / 14
1.6在Yarn上部署Spark / 15
1.7通过SSH部署集群 / 16
1.8链接和参考 / 21
1.9小结 / 21
第2章Spark shell的使用 / 23
2.1加载一个简单的text文件 / 24
2.2用Spark shell运行逻辑回归 / 26
2.3交互式地从S3加载数据 / 28
2.4小结 / 30
第3章构建并运行Spark应用 / 31
3.1用sbt构建Spark作业 / 32
3.2用Maven构建Spark作业 / 36
3.3用其他工具构建Spark作业 / 39
3.4小结 / 39
第4章创建SparkContext / 41
4.1Scala / 43
4.2Java / 43
4.3Java和Scala共享的API / 44
4.4Python / 45
4.5链接和参考 / 45
4.6小结 / 46
第5章加载与保存数据 / 47
5.1RDD / 48
5.2加载数据到RDD中 / 49
5.3保存数据 / 54
5.4连接和参考 / 55
5.5小结 / 55
第6章操作RDD / 57
6.1用Scala和Java操作RDD / 58
6.2用Python操作RDD / 79
6.3链接和参考 / 83
6.4小结 / 84
第7章Shark-Hive和Spark的综合运用 / 85
7.1为什么用Hive/Shark / 86
7.2安装Shark / 86
7.3运行Shark / 88
7.4加载数据 / 88
7.5在Spark程序中运行HiveQL查询 / 89
7.6链接和参考 / 92
7.7小结 / 93
第8章测试 / 95
8.1用Java和Scala测试 / 96
8.2用Python测试 / 103
8.3链接和参考 / 104
8.4小结 / 105
第9章技巧和窍门 / 107
9.1日志位置 / 108
9.2并发限制 / 108
9.3内存使用与垃圾回收 / 109
9.4序列化 / 110
9.5IDE集成环境 / 111
9.6Spark与其他语言 / 112
9.7安全提示 / 113
9.8邮件列表 / 113
9.9链接和参考 / 113
9.10小结 / 114