《Spark数据分析：基于Python语言 》
数据科学与工程技术丛书
Spark数据分析：基于Python语言
Data Analytics with Spark Using Python
［澳］ 杰夫瑞·艾文（Jeffrey Aven） 著
王道远 译
译 者 序
作为一门备受欢迎的语言，Python让编程不再是程序员的专属。Python丰富的第三方类库和胶水语言的特性，使其能够满足各种领域的需求；同时，它简洁易读的语法，让各行各业的人都能轻松上手。上至人工智能，下至幼儿编程，Python都是风头无两。数据分析领域中也当然少不了Python的身影，而随着大数据的崛起，使用Python处理大规模数据的需求就自然而然地出现了。尽管Python的性能有限，似乎与大规模数据分析绝缘，但Spark所提供的Python API，借助底层充分优化，使得Python真正有了处理大规模数据的能力。而Spark的Python接口也扩展了其用户群体。这本书针对Python用户，介绍了如何使用Spark进行数据分析，涵盖了RDD编程、SQL编程、流式数据处理、机器学习等内容，是一本非常好的入门指南，而作者对Spark的架构和大数据理解颇深，让资深用户也能梳理知识点并从中获益。
近几年来，大数据这个词的热度似乎已经被人工智能盖过。但是实际上，大数据的真正应用在这几年才开始走进各行各业。而Spark的接口非常简单易用，对于广大Python爱好者来说，Spark是投身大数据革命的最佳选择。如今，Spark的用户越来越多，其中使用PySpark的人也不在少数，越来越多的组织通过大数据技术创造出属于自己的价值。希望本书读者也能成为大数据的弄潮儿。
尽管译者已经结合自身多年的Spark开发经验对本书内容做了一定修正，但由于自身水平和所投入的时间精力有限，本书难免会有疏漏之处。欢迎读者朋友们雅正，我的电子邮箱是me@daoyuan.wang。
感谢我的家人在翻译期间对我的支持，让我在这几个月将不多的空闲时间用于翻译，并享受着无须做家务也能过得井井有条的生活。
王道远
2018年冬
前 言
Spark在这场由大数据与开源软件掀起的颠覆性革命中处于核心位置。不论是尝试Spark的意向还是实际用例的数量都在以几何级数增长，而且毫无衰退的迹象。本书将手把手引导你在大数据分析领域中收获事业上的成功。
本书重点
本书重点关注Spark项目的基本知识，从Spark核心技术开始，然后拓展到各种Spark扩展技术、Spark相关项目及子项目，以及Spark所处的丰富的生态系统里各种别的开源技术，比如Hadoop、Kafka、Cassandra等。
本书所介绍的Spark基本概念（包括运行环境、集群架构、应用架构等）与编程语言无关且非常基础，而大多数示例程序和练习是用Python实现的。Spark的Python API（PySpark）为数据分析师、数据工程师、数据科学家等提供了易用的编程环境，让开发者能在获得Python语言的灵活性和可扩展性的同时，获得Spark的分布式处理能力和伸缩性。
本书所涉及的范围非常广泛，涵盖了从基本的Spark核心编程到Spark SQL、Spark Streaming、机器学习等方方面面的内容。本书对于每个主题都给出了良好的介绍和概览，足以让你以Spark项目为基础构建出针对任何特定领域或学科的平台。
目标读者
本书是为有志进入大数据领域或已经入门想要进一步巩固大数据领域知识的数据分析师和工程师而写的。当前市场非常需要具备大数据技能、懂得大数据领域优秀处理框架Spark的工程师。本书的目标是针对这一不断增长的市场需求培训读者，使得读者获得雇主急需的技能。
对于阅读本书来说，有Python使用经验是有帮助的，没有的话也没关系，毕竟Python对于任何有编程经验的人来说都非常直观易懂。读者最好对数据分析和数据处理有一定了解。这本书尤其适合有兴趣进入大数据领域的数据仓库技术人员阅读。
如何使用本书
本书分为两大部分共8章。第一部分“Spark基础”包括4章，会使读者深刻理解Spark是什么，如何部署Spark，如何使用Spark进行基本的数据处理操作。
第1章概要介绍大数据生态圈，包括Spark项目的起源和演进过程。讨论Spark项目的关键属性，包括Spark是什么，用起来如何，以及Spark与Hadoop项目之间的关系。
第2章展示如何部署一个Spark集群，包括Spark集群的各种部署模式，以及调用Spark的各种方法。
第3章讨论Spark集群和应用是如何运作的，让读者深刻理解Spark是如何工作的。
第4章介绍使用弹性分布式数据集（RDD）进行Spark初级编程的基础知识。
第二部分“基础拓展”包括后4章的内容，扩展到Spark的core模块以外，包括SQL和NoSQL系统、流处理应用、数据科学与机器学习中Spark的使用。
第5章讲解用来扩展、加速和优化常规Spark例程的高级元件，包括各种共享变量和RDD存储，以及分区的概念及其实现。
第6章讨论Spark与SQL的整合，还有Spark与非关系型数据库的整合。
第7章介绍Spark的Streaming子项目，以及Streaming中最基本的DStream对象。该章还涵盖Spark对于Apache Kafka这样的常用消息系统的使用。
第8章介绍通过R语言使用Spark建立预测模型，以及Spark中用来实现机器学习的子项目MLlib。
本书代码
本书中各个练习的示例数据和源代码可以从http://sparkusingpython.com下载。也可以从https://github.com/sparktraining/spark_using_python查看或者下载。
引 言
Spark是优秀的大数据处理平台和编程接口，与大数据技术浪潮密不可分。在本书撰写时，Spark是Apache软件基金会（ASF）框架下最活跃的开源项目，也是最活跃的开源大数据项目。
数据分析、数据处理以及数据科学社区都对Spark有着浓厚兴趣，因而理解Spark是什么，Spark能干什么，Spark的优势在哪里，以及如何利用Spark进行大数据分析都是很重要的。这本书涵盖了上述内容的方方面面。
与其他介绍Spark的出版物不同，多数书籍主要介绍Scala API，而本书专注于Spark的Python API，也就是PySpark。选择Python作为本书基础语言是因为Python是一门直观易懂的解释型语言，广为人知而且新手也极易上手。更何况Python对于数据科学家而言是一门非常受欢迎的编程语言，而数据科学家在Spark社区也是相当大的一个群体。
本书会从零开始讲大数据和Spark，因此无论你是从未接触Spark和Hadoop，还是已经有所接触但正在寻求全面了解Spark的运作方式和如何充分利用Spark丰富的功能，这本书都是合适的。
本书还会介绍一些相近的或者相互协作的平台、项目以及技术，比如Hadoop、HBase、Kafka等，并介绍它们如何与Spark交互与集成。
过去的几年中，我的工作都集中在这个领域，包括讲授大数据分析课程，以及为客户提供咨询服务。我经历了Spark和大数据乃至整个开源运动的出现和成熟，并且参与到了开源软件融入企业使用的进程中。我尽量把个人的学习历程总结到了本书中。
希望这本书能助你成为大数据和Spark从业人员。
目 录
译者序
前言
引言
2.4 在Linux或Mac OS X上安装Spark 25
3.3.1 ResourceManager作为集群管理器 42
3.3.2 ApplicationMaster作为Spark主进程 42
第4章 Spark编程基础 46
4.1 RDD简介 46
4.2 加载数据到RDD 48
4.2.1 从文件创建RDD 48
4.2.2 从文本文件创建RDD 49
4.2.3 从对象文件创建RDD 52
4.2.4 从数据源创建RDD 52
4.2.5 从JSON文件创建RDD 54
4.2.6 通过编程创建RDD 56
4.3 RDD操作 57
4.3.1 RDD核心概念 57
4.3.2 基本的RDD转化操作 61
4.3.3 基本的RDD行动操作 65
4.3.4 键值对RDD的转化操作 69
4.3.5 MapReduce与单词计数练习 75
4.3.6 连接操作 78
4.3.7 在Spark中连接数据集 82
4.3.8 集合操作 85
4.3.9 数值型RDD的操作 87
4.4 本章小结 89
第二部分 基础拓展
第5章 Spark核心API高级编程 92
5.1 Spark中的共享变量 92
5.1.1 广播变量 92
5.1.2 累加器 96
5.1.3 练习：使用广播变量和累加器 99
5.2 Spark中的数据分区 100
5.2.1 分区概述 100
5.2.2 掌控分区 101
5.2.3 重分区函数 102
5.2.4 针对分区的API方法 104
5.3 RDD的存储选项 106
5.3.1 回顾RDD谱系 106
5.3.2 RDD存储选项 107
5.3.3 RDD缓存 109
5.3.4 持久化RDD 109
5.3.5 选择何时持久化或缓存RDD 112
5.3.6 保存RDD检查点 112
5.3.7 练习：保存RDD检查点 114
5.4 使用外部程序处理RDD 115
5.5 使用Spark进行数据采样 117
5.6 理解Spark应用与集群配置 118
5.6.1 Spark环境变量 118
5.6.2 Spark配置属性 121
5.7 Spark优化 124
5.7.1 早过滤，勤过滤 124
5.7.2 优化满足结合律的操作 124
5.7.3 理解函数和闭包的影响 126
5.7.4 收集数据的注意事项 127
5.7.5 使用配置参数调节和优化应用 127
5.7.6 避免低效的分区 128
5.7.7 应用性能问题诊断 130
5.8 本章小结 133
第6章 使用Spark进行SQL与NoSQL编程 134
6.1 Spark SQL简介 134
6.1.1 Hive简介 134
6.1.2 Spark SQL架构 138
6.1.3 DataFrame入门 141
6.1.4 使用DataFrame 150
6.1.5 DataFrame缓存、持久化与重新分区 157
6.1.6 保存DataFrame输出 158
6.1.7 访问Spark SQL 161
6.1.8 练习：使用Spark SQL 163
6.2 在Spark中使用NoSQL系统 165
6.2.1 NoSQL简介 165
6.2.2 在Spark中使用HBase 166
6.2.3 练习：在Spark中使用HBase 169
6.2.4 在Spark中使用Cassandra 170
6.2.5 在Spark中使用DynamoDB 172
6.2.6 其他NoSQL平台 174
6.3 本章小结 174
第7章 使用Spark处理流数据与消息 175
7.1 Spark Streaming简介 175
7.1.1 Spark Streaming架构 176
7.1.2 DStream简介 177
7.1.3 练习：Spark Streaming入门 183
7.1.4 状态操作 184
7.1.5 滑动窗口操作 185
7.2 结构化流处理 188
7.2.1 结构化流处理数据源 188
7.2.2 结构化流处理的数据输出池 189
7.2.3 输出模式 190
7.2.4 结构化流处理操作 190
7.3 在Spark中使用消息系统 192
7.3.1 Apache Kafka 192
7.3.2 KafkaUtils 195
7.3.3 练习：在Spark中使用Kafka 196
7.3.4 亚马逊Kinesis 199
7.4 本章小结 203
第8章 Spark数据科学与机器学习简介 204
8.1 Spark与R语言 204
8.1.1 R语言简介 204
8.1.2 通过R语言使用Spark 210
8.1.3 练习：在RStudio中使用SparkR 215
8.2 Spark机器学习 217
8.2.1 机器学习基础 217
8.2.2 使用Spark MLlib进行机器学习 220
8.2.3 练习：使用Spark MLlib实现推荐器 224
8.2.4 使用Spark ML进行机器学习 227
8.3 利用笔记本使用Spark 231
8.3.1 利用Jupyter（IPython）笔记本使用Spark 231
8.3.2 利用Apache Zeppelin笔记本使用Spark 233
8.4 本章小结 234
- 点赞
- 收藏
- 关注作者
评论（0）