《Spark快速大数据分析》由Spark开发者及核心成员共同打造，讲解了网络大数据时代应运而生的、能高效迅捷地分析处理数据的工具——Spark，它带领读者快速掌握用Spark收集、计算、简化和保存海量数据的方法，学会交互、迭代和增量式分析，解决分区、数据本地化和自定义序列化等问题。
本书适合大数据时代所有需要进行数据分析的人员阅读。

王道远，阿里云智能平台EMR团队技术专家，主要从事Spark、Hadoop、Hive等开源项目的开发优化工作，帮助中小企业客户实现云上大数据解决方案。他是Apache Spark项目的活跃贡献者，出版了多本Spark相关书籍和译著。加入阿里之前，他是英特尔大数据技术中心的资深工程师。

推荐序
译者序
序
前言
第1章 Spark数据分析导论
1.1 Spark是什么
1.2 一个大一统的软件栈
1.2.1 Spark Core
1.2.2 Spark SQL
1.2.3 Spark Streaming
1.2.4 MLib
1.2.5 GraphX
1.2.6 集群管理器
1.3 Spark的用户和用途
1.3.1 数据科学任务
1.3.2 数据处理应用
1.4 Spark简史
1.5 Spark的版本和发布
1.6 Spark的存储层次
第2章 Spark下载与入门
2.1 下载Spark
2.2 Spark中Python和Scala的shell
2.3 Spark核心概念简介
2.4 独立应用
2.4.1 初始化SparkContext
2.4.2 构建独立应用
2.5 总结
第3章 RDD编程
3.1 RDD基础
3.2 创建RDD
3.3 RDD操作
3.3.1 转化操作
3.3.2 行动操作
3.3.3 惰性求值
3.4 向Spark传递函数
3.4.1 Python
3.4.2 ScaLa
3.4.3 Java
3.5 常见的转化操作和行动操作
3.5.1 基本RDD
3.5.2 在不同RDD类型间转换
3.6 持久化(缓存)
3.7 总结
第4章 键值对操作
4.1 动机
4.2 创建Pair RDD
4.3 Pair RDD的转化操作
4.3.1 聚合操作
4.3.2 数据分组
4.3.3 连接
4.3.4 数据排序
4.4 Pair RDD的行动操作
4.5 数据分区（进阶）
4.5.1 获取RDD的分区方式
4.5.2 从分区中获益的操作
4.5.3 影响分区方式的操作
4.5.4 示例：PageRank
4.5.5 自定义分区方式
4.6 总结
第5章 数据读取与保存
5.1 动机
5.2 文件格式
5.2.1 文本文件
5.2.2 JSON
5.2.3 逗号分隔值与制表符分隔值
5.2.4 SequenceFile
5.2.5 对象文件
5.2.6 Hadoop输入输出格式
5.2.7 文件压缩
5.3 文件系统
5.3.1 本地/“常规”文件系统
5.3.2 Amazon S3
5.3.3 HDFS
5.4 Spark SQL中的结构化数据
5.4.1 Apache Hive
5.4.2 JSON
5.5 数据库
5.5.1 Java数据库连接
5.5.2 Cassandra
5.5.3 HBase
5.5.4 Elasticsearch
5.6 总结
第6章 Spark编程进阶
6.1 简介
6.2 累加器
6.2.1 累加器与容错性
6.2.2 自定义累加器
6.3 广播变量
6.4 基于分区进行操作
6.5 与外部程序间的管道
6.6 数值RDD的操作
6.7 总结
第7章 在集群上运行Spark
7.1 简介
7.2 Spark运行时架构
7.2.1 驱动器节点
7.2.2 执行器节点
7.2.3 集群管理器
7.2.4 启动一个程序
7.2.5 小结
7.3 使用spark-submit 部署应用
7.4 打包代码与依赖
7.4.1 使用Maven构建的用Java编写的Spark应用
7.4.2 使用sbt构建的用Scala编写的Spark应用
7.4.3 依赖冲突
7.5 Spark应用内与应用间调度
7.6 集群管理器
7.6.1 独立集群管理器
7.6.2 Hadoop YARN
7.6.3 Apache Mesos
7.6.4 Amazon EC
7.7 选择合适的集群管理器
7.8 总结
第8章 Spark调优与调试
8.1 使用SparkConf配置Spark
8.2 Spark执行的组成部分：作业、任务和步骤
8.3 查找信息
8.3.1 Spark网页用户界面
8.3.2 驱动器进程和执行器进程的日志
8.4 关键性能考量
8.4.1 并行度
8.4.2 序列化格式
8.4.3 内存管理
8.4.4 硬件供给
8.5 总结
第9章 Spark SQL
9.1 连接Spark SQL
9.2 在应用中使用Spark SQL
9.2.1 初始化Spark SQL
9.2.2 基本查询示例
9.2.3 SchemaRDD
9.2.4 缓存
9.3 读取和存储数据
9.3.1 Apache Hive
9.3.2 Parquet
9.3.3 JSON
9.3.4 基于RDD
9.4 JDBC/ODBC服务器
9.4.1 使用Beeline
9.4.2 长生命周期的表与查询
9.5 用户自定义函数
9.5.1 Spark SQL UDF
9.5.2 Hive UDF
9.6 Spark SQL性能
9.7 总结
第10章 Spark Streaming
10.1 一个简单的例子
10.2 架构与抽象
10.3 转化操作
10.3.1 无状态转化操作
10.3.2 有状态转化操作
10.4 输出操作
10.5 输入源
10.5.1 核心数据源
10.5.2 附加数据源
10.5.3 多数据源与集群规模
10.6 24/7不间断运行
10.6.1 检查点机制
10.6.2 驱动器程序容错
10.6.3 工作节点容错
10.6.4 接收器容错
10.6.5 处理保证
10.7 Streaming用户界面
10.8 性能考量
10.8.1 批次和窗口大小
10.8.2 并行度
10.8.3 垃圾回收和内存使用
10.9 总结
第11章 基于MLlib的机器学习
11.1 概述
11.2 系统要求
11.3 机器学习基础
11.4 数据类型
11.5 算法
11.5.1 特征提取
11.5.2 统计
11.5.3 分类与回归