本书重点关注Spark项目的基本知识，从Spark核心开始，然后拓展到各种Spark扩展、Spark相关项目、Spark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。
WU
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核心开始，然后拓展到各种Spark扩展、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。
尽管对于本书所介绍的Spark基本概念（包括运行环境、集群架构、应用架构等）的理解是与编程语言无关且透明的，本书中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是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。当前市场对于具备大数据技能、懂得大数据领域优秀处理框架Spark的工程师的需求特别大。本书的目标是针对这一不断增长的雇佣市场需求培训读者，使得读者获得雇主亟需的技能。
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，会让读者深刻理解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章提供了大数据生态圈的概览，包括Spark项目的起源和演进过程。本章讨论了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章展示了如何部署一个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章关注使用弹性分布式数据集（RDD）进行Spark初级编程的基础。
第二部分“基础拓展”包括后四章的内容，扩展到Spark的核心模块以外，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章讲解了用来扩展、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与广袤的SQL土壤的整合，还有Spark与非关系型存储的整合。
第7章介绍了Spark的Streaming子项目，以及Streaming中最基本的DStream对象。本章还涵盖了Spark对于Apache Kafka这样的常用消息系统的使用。
第8章介绍了使用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。你也可以从https://github.com/sparktraining/spark_using_python查看或者下载本书的GitHub代码仓库。
经典原版书库
Spark是当今大数据革命的核心，帮助数据从业人员提高各种数据处理、分析任务的效率和性能。在本书中，大数据专家Jeffrey Aven介绍了使用Spark及其扩展、子项目，以及更广的生态系统所需的所有知识。
本书讲解了语言无关的Spark基本概念，并使用常用而且直观的PySpark开发环境提供了编程示例。本书专注于Python，因此广大的数据从业人员、分析师和开发人员，即使几乎没有Hadoop或Spark经验，也可以轻松上手。
本书包括从Spark基本编程到高级编程，再到Spark SQL和机器学习的广泛内容。你会学到如何使用Spark高效管理各种形式的数据：流式数据、结构化数据、半结构化数据，还有非结构化数据。在全书中，精准的主题可以让你快速掌握知识点，而扩展性的实践练习可以让你为解决真实问题做好准备。
本书特色
理解Spark在大数据和Hadoop生态圈中不断发展的角色
使用各种部署模式创建Spark集群
控制和优化Spark集群和应用的运行
掌握Spark核心的RDD API编程技术
使用高级的API平台结构（包括共享变量、RDD存储、分区等）扩展、加速和优化Spark执行
高效地将SQL和非关系型数据存储与Spark集成
使用Spark Streaming和Apache Kafka处理流式数据和消息
使用SparkR和Spark MLlib实现预测建模
第一部分 Spark基础
第1章 大数据、Hadoop、Spark介绍 3
1.1 大数据、分布式计算、Hadoop简介 3
1.1.1 大数据与Hadoop简史 4
1.1.2 Hadoop详解 5
1.2 Apache Spark简介 11
1.2.1 Apache Spark背景 11
1.2.2 Spark的用途 12
1.2.3 Spark编程接口 12
1.2.4 Spark程序的提交类型 12
1.2.5 Spark应用程序的输入输出类型 14
1.2.6 Spark中的RDD 14
1.2.7 Spark与Hadoop 14
1.3 Python函数式编程 15
1.3.1 Python函数式编程用到的数据结构 15
1.3.2 Python对象序列化 18
1.3.3 Python函数式编程基础 21
1.4 本章小结 23
第2章 部署Spark 25
2.1 Spark部署模式 25
2.1.1 本地模式 26
2.1.2 Spark独立集群 26
2.1.3 基于YARN运行Spark 27
2.1.4 基于Mesos运行Spark 28
2.2 准备安装Spark 28
2.3 获取Spark 29
2.4 在Linux或Mac OS X上安装Spark 30
2.5 在Windows上安装Spark 32
2.6 探索Spark安装目录 34
2.7 部署多节点的Spark独立集群 35
2.8 在云上部署Spark 37
2.8.1 AWS 37
2.8.2 GCP 39
2.8.3 Databricks 40
2.9 本章小结 41
第3章 理解Spark集群架构 43
3.1 Spark应用中的术语 43
3.1.1 Spark驱动器 44
3.1.2 Spark工作节点与执行器 47
3.1.3 Spark主进程与集群管理器 49
3.2 使用独立集群的Spark应用 51
3.3 在YARN上运行Spark应用的部署模式 51
3.3.1 客户端模式 52
3.3.2 集群模式 53
3.3.3 回顾本地模式 54
3.4 本章小结 55
第4章 Spark编程基础 57
4.1 RDD简介 57
4.2 加载数据到RDD 59
4.2.1 从文件创建RDD 59
4.2.2 从文本文件创建RDD的方法 61
4.2.3 从对象文件创建RDD 64
4.2.4 从数据源创建RDD 64
4.2.5 从JSON文件创建RDD 67
4.2.6 通过编程创建RDD 69
4.3 RDD操作 70
4.3.1 RDD核心概念 70
4.3.2 基本的RDD转化操作 75
4.3.3 基本的RDD行动操作 79
4.3.4 键值对RDD的转化操作 83
4.3.5 MapReduce与单词计数练习 90
4.3.6 连接操作 93
4.3.7 在Spark中连接数据集 98
4.3.8 集合操作 101
4.3.9 数值型RDD的操作 103
4.4 本章小结 106
第二部分 基础拓展
第5章 Spark核心API高级编程 109
5.1 Spark中的共享变量 109
5.1.1 广播变量 110
5.1.2 累加器 114
5.1.3 练习：使用广播变量和累加器 117
5.2 Spark中的数据分区 118
5.2.1 分区概述 118
5.2.2 掌控分区 119
5.2.3 重分区函数 121
5.2.4 针对分区的API方法 123
5.3 RDD的存储选项 125
5.3.1 回顾RDD谱系 125
5.3.2 RDD存储选项 126
5.3.3 RDD缓存 129
5.3.4 持久化RDD 129
5.3.5 选择何时持久化或缓存RDD 132
5.3.6 保存RDD检查点 132
5.3.7 练习：保存RDD检查点 134
5.4 使用外部程序处理RDD 136
5.5 使用Spark进行数据采样 137
5.6 理解Spark应用与集群配置 139
5.6.1 Spark环境变量 139
5.6.2 Spark配置属性 143
5.7 Spark优化 146
5.7.1 早过滤，勤过滤 147
5.7.2 优化满足结合律的操作 147
5.7.3 理解函数和闭包的影响 149
5.7.4 收集数据的注意事项 150
5.7.5 使用配置参数调节和优化应用 150
5.7.6 避免低效的分区 151
5.7.7 应用性能问题诊断 153
5.8 本章小结 157
第6章 使用Spark进行SQL与NoSQL编程 159
6.1 Spark SQL简介 159
6.1.1 Hive简介 160
6.1.2 Spark SQL架构 164
6.1.3 DataFrame入门 166
6.1.4 使用DataFrame 177
6.1.5 DataFrame缓存、持久化与重新分区 185
6.1.6 保存DataFrame输出 186
6.1.7 访问Spark SQL 189
6.1.8 练习：使用Spark SQL 192
6.2 在Spark中使用NoSQL系统 193
6.2.1 NoSQL简介 194
6.2.2 在Spark中使用HBase 195
6.2.3 练习：在Spark中使用HBase 198
6.2.4 在Spark中使用Cassandra 200
6.2.5 在Spark中使用DynamoDB 202
6.2.6 其他NoSQL平台 204
6.3 本章小结 204
第7章 使用Spark处理流数据与消息 207
7.1 Spark Streaming简介 207
7.1.1 Spark Streaming架构 208
7.1.2 DStream简介 209
7.1.3 练习：Spark Streaming入门 216
7.1.4 状态操作 217
7.1.5 滑动窗口操作 219
7.2 结构化流处理 221
7.2.1 结构化流处理数据源 222
7.2.2 结构化流处理的数据输出池 223
7.2.3 输出模式 224
7.2.4 结构化流处理操作 225
7.3 在Spark中使用消息系统 226
7.3.1 Apache Kafka 227
7.3.2 练习：在Spark中使用Kafka 232
7.3.3 亚马逊Kinesis 235
7.4 本章小结 238
第8章 Spark数据科学与机器学习简介 241
8.1 Spark与R语言 241
8.1.1 R语言简介 242
8.1.2 通过R语言使用Spark 248
8.1.3 练习：在RStudio中使用SparkR 255
8.2 Spark机器学习 257
8.2.1 机器学习基础 257
8.2.2 使用Spark MLlib进行机器学习 260
8.2.3 练习：使用Spark MLlib实现推荐器 265
8.2.4 使用Spark ML进行机器学习 269
8.3 利用笔记本使用Spark 273
8.3.1 利用Jupyter（IPython）笔记本使用Spark 273
8.3.2 利用Apache Zeppelin笔记本使用Spark 276
8.4 本章小结 277
Contents
I: Spark Foundations
1 Introducing Big Data, Hadoop, and Spark 3
Introduction to Big Data, Distributed Computing, and Hadoop 3
A Brief History of Big Data and Hadoop 4
Hadoop Explained 5
Introduction to Apache Spark 11
Apache Spark Background 11
Uses for Spark 12
Programming Interfaces to Spark 12
Submission Types for Spark Programs 12
Input/Output Types for Spark Applications 14
The Spark RDD 14
Spark and Hadoop 14
Functional Programming Using Python 15
Data Structures Used in Functional Python Programming 15
Python Object Serialization 18
Python Functional Programming Basics 21
Summary 23
2 Deploying Spark 25
Spark Deployment Modes 25
Local Mode 26
Spark Standalone 26
Spark on YARN 27
Spark on Mesos 28
Preparing to Install Spark 28
Getting Spark 29
Installing Spark on Linux or Mac OS X 30
Installing Spark on Windows 32
Exploring the Spark Installation 34
Deploying a Multi-Node Spark Standalone Cluster 35
Deploying Spark in the Cloud 37
Amazon Web Services (AWS) 37
Google Cloud Platform (GCP) 39
Databricks 40Summary 41
3 Understanding the Spark Cluster Architecture 43
Anatomy of a Spark Application 43
Spark Driver 44
Spark Workers and Executors 47
The Spark Master and Cluster Manager 49
Spark Applications Using the Standalone Scheduler 51
Deployment Modes for Spark Applications Running on YARN 51
Client Mode 52
Cluster Mode 53
Local Mode Revisited 54
Summary 55
4 Learning Spark Programming Basics 57
Introduction to RDDs 57
Loading Data into RDDs 59
Creating an RDD from a File or Files 59
Methods for Creating RDDs from a Text File or Files 61
Creating an RDD from an Object File 64
Creating an RDD from a Data Source 64
Creating RDDs from JSON Files 67
Creating an RDD Programmatically 69
Operations on RDDs 70
Key RDD Concepts 70
Basic RDD Transformations 75
Basic RDD Actions 79
Transformations on PairRDDs 83
MapReduce and Word Count Exercise 90
Join Transformations 93
Joining Datasets in Spark 98
Transformations on Sets 101
Transformations on Numeric RDDs 103
Summary 106
II: Beyond the Basics
5 Advanced Programming Using the Spark Core API 109
Shared Variables in Spark 109
Broadcast Variables 110
Accumulators 114
Exercise: Using Broadcast Variables and Accumulators 117
Partitioning Data in Spark 118
Partitioning Overview 118
Controlling Partitions 119
Repartitioning Functions 121
Partition-Specific or Partition-Aware API Methods 123
RDD Storage Options 125
RDD Lineage Revisited 125
RDD Storage Options 126
RDD Caching 129
Persisting RDDs 129
Choosing When to Persist or Cache RDDs 132
Checkpointing RDDs 132
Exercise: Checkpointing RDDs 134
Processing RDDs with External Programs 136
Data Sampling with Spark 137
Understanding Spark Application and Cluster Configuration 139
Spark Environment Variables 139
Spark Configuration Properties 143
Optimizing Spark 146
Filter Early, Filter Often 147
Optimizing Associative Operations 147
Understanding the Impact of Functions and Closures 149
Considerations for Collecting Data 150
Configuration Parameters for Tuning and Optimizing Applications 150
Avoiding Inefficient Partitioning 151
Diagnosing Application Performance Issues 153
Summary 157
6 SQL and NoSQL Programming with Spark 159
Introduction to Spark SQL 159
Introduction to Hive 160Spark SQL Architecture 164
Getting Started with DataFrames 166
Using DataFrames 177
Caching, Persisting, and Repartitioning DataFrames 185
Saving DataFrame Output 186
Accessing Spark SQL 189
Exercise: Using Spark SQL 192
Using Spark with NoSQL Systems 193
Introduction to NoSQL 194
Using Spark with HBase 195
Exercise: Using Spark with HBase 198
Using Spark with Cassandra 200
Using Spark with DynamoDB 202
Other NoSQL Platforms 204
Summary 204
7 Stream Processing and Messaging Using Spark 207
Introducing Spark Streaming 207
Spark Streaming Architecture 208
Introduction to DStreams 209
Exercise: Getting Started with Spark Streaming 216
State Operations 217
Sliding Window Operations 219
Structured Streaming 221
Structured Streaming Data Sources 222
Structured Streaming Data Sinks 223
Output Modes 224
Structured Streaming Operations 225
Using Spark with Messaging Platforms 226
Apache Kafka 227
Exercise: Using Spark with Kafka 232
Amazon Kinesis 235
Summary 238
8 Introduction to Data Science and Machine Learning Using Spark 241
Spark and R 241
Introduction to R 242
Using Spark with R 248
Exercise: Using RStudio with SparkR 255
Machine Learning with Spark 257
Machine Learning Primer 257
Machine Learning Using Spark MLlib 260
Exercise: Implementing a Recommender Using Spark MLlib 265
Machine Learning Using Spark ML 269
Using Notebooks with Spark 273
Using Jupyter (IPython) Notebooks with Spark 273
Using Apache Zeppelin Notebooks with Spark 276
Summary 277
