Spark是当今大数据领域最活跃、最热门、较高效的大数据通用计算平台，是Apache软件基金会下所有开源项目中三大开源项目之一。
在"One Stack to rule them all"理念的指引下，Spark基于RDD成功地构建起了大数据处理的一体化解决方案，将MapReduce、Streaming、SQL、Machine Learning、Graph Processing等大数据计算模型统一到一个技术堆栈中，开发者使用一致的API操作Spark中的所有功能；更为重要的是Spark的Spark SQL、MLLib、GraphX、Spark Streaming等四大子框架之间可以在内存中的无缝集成并可以互相操作彼此的数据，这不仅打造了Spark在当今大数据计算领域其他任何计算框架都无可匹敌的优势，更使得Spark正在加速成为大数据处理中心的和的计算平台。
大数据Spark企业级实战》详细解析了企业级Spark开发所需的几乎所有技术内容，涵盖Spark的架构设计、Spark的集群搭建、Spark内核的解析、Spark SQL、MLLib、GraphX、Spark Streaming、Tachyon、SparkR、Spark多语言编程、Spark常见问题及调优等，并且结合Spark源码细致的解析了Spark内核和四大子框架，在附录中提供了的Spark的开发语言Scala快速入门实战内容，学习完此书即可胜任绝大多数的企业级Spark开发需要。
大数据Spark企业级实战》从零起步，从企业处理大数据业务场景的角度出发，基于实战代码来组织内容，对于一名大数据爱好者来说，《大数据Spark企业级实战》内容可以帮助您一站式地完成从零起步到进行Spark企业级开发所需要的全部核心内容和实战需要。
推荐购买： Java虚拟机精讲
Boost程序库开发指南——深入C++"准"标准库(第3版)
让用户体验融入企业基因
Spring Batch 批处理框架
Cocos2d-x 3.X游戏开发入门精解(含DVD光盘1张
游戏自动化测试实践
Life is short， you need Spark！
Spark是当今大数据领域活跃热门的高效的大数据通用计算平台。基于RDD，Spark成功地构建起了一体化、多元化的大数据处理体系。
雅虎、Conviva、、网易、大众点评、优酷土豆、腾讯、华为等公司均在生产环境中部署了大规模的Spark。
本书从企业处理大数据业务场景的角度出发，基于实战代码来组织内容，从零起步，不需任何基础，无痛地掌握Spark大数据处理实战技术，源码解析：
Spark集群的动手构建
Spark架构
Spark内核的深入解析
Spark四大子框架的细致剖析和实战
Tachyon文件系统揭秘
Spark多语言编程
SparkP
Spark性能调优和实践
一站式实现Spark企业级开发实战！
Spark亚太研究院首席专家，中国移动互联网和云计算大数据集大成者。在Spark、Hadoop、Android等方面有丰富的源码、实务和性能优化经验。彻底研究了Spark从0.5.0到0.9.1共13个版本的Spark源码，并已完成2014年5月31日的Spark1.0源码研究。
Hadoop源码级专家，曾负责某知名公司的类Hadoop框架开发工作，专注于Hadoop一站式解决方案的提供，同时也是云计算分布式大数据处理的最早实践者之一。
Android架构师、高级工程师、咨询顾问、培训专家。
通晓Spark、Hadoop、Android、HTML5，迷恋英语播音和健美。
第1章 Spark编程模型 1
1.1 Spark：一体化、多元化的高速
大数据通用计算平台和库 1
1.1.1 为什么需要使用Spark 5
1.1.2 Spark技术生态系统简介 9
1.2 Spark大数据处理框架 20
1.2.1 Spark速度为何如此之快 20
1.2.2 RDD：分布式函数式编程 24
1.3 Spark子框架解析 28
1.3.1 图计算框架Spark GraphX 28
1.3.2 实时流处理框架(Spark Streaming) 41
1.3.3 交互式SQL处理框架Spark SQL 46
1.3.4 机器学习框架(Spark MLlib) 49
第2章 构建Spark分布式集群 55
2.1 搭建Hadoop单机版本和伪分布式开发环境 55
2.1.1 开发Hadoop需要的基本软件 56
2.1.2 安装每个软件 58
2.1.3 配置Hadoop单机模式并运行Wordcount示例 76
2.1.3 配置Hadoop伪分布模式并运行Wordcount示例 84
2. 2 搭建 Hadoop分布式集群的 92
2.2.1 在VMWare 中准备第二、第三台运行Ubuntu系统的机器 92
2.2.2 按照配置伪分布式模式的方式配置新创建运行Ubuntu系统的机器 93
2.2.3 配置Hadoop分布式集群环境 94
2.2.4 测试Hadoop分布式集群环境 105
2.3 Spark集群的动手搭建 108
2.3.1 Spark集群需要的软件 108
2.3.2 安装每个软件 110
2.3.3 启动并查看集群的状况 116
2.4 构建Hadoop单机版本和伪分布式环境 120
2.4.1 通过Spark的shell测试Spark的工作 121
2.4.2 使用Spark的cache机制观察一下效率的提升 125
第3章 Spark开发环境及其测试 129
3.1 搭建和设置IDEA开发环境 129
3.1.1 构建Spark的IDE开发环境 129
3.1.2 配置Spark的IDE开发环境 132
3.2 测试IDEA环境 146
3.3 实战：在IDEA中开发代码，并运行在Spark集群中 148
第4章 Spark RDD与编程API实战 159
4.1 深度解析Spark RDD 159
4.2 Transformation Operations动手实战 165
4.3 Action Operations动手实战 175
4.4 Spark API综合实战 179
第5章 Spark运行模式深入解析 191
5.1 Spark运行模式概述 192
5.1.1 Spark的运行模式列表 196
5.1.2 Spark的基本工作流程 197
5.2 Standalone模式 201
5.2.1 部署及程序运行 202
5.2.2 内部实现原理 206
5.3 Yarn-Cluster模式 234
5.3.1 部署及程序运行 235
5.3.2 内部实现原理 237
5.4 Yarn-Client模式 243
5.4.1 部署及运行程序 243
5.4.2 内部实现原理 244
第6章 Spark内核解析 247
6.1 Spark内核初探 247
6.1.1 Spark内核核心术语解析 247
6.1.2 Spark集群概览 250
6.1.3 Spark核心组件 251
6.1.4 Spark任务调度系统初见 252
6.2 Spark内核核心源码解读 256
6.2.1 SparkContext核心源码解析初体验 256
6.2.2 TaskSceduler启动源码解析初体验 260
6.2.3 DAGScheduler源码解读初体验 261
6.2.4 Spark的Web监控页面 262
6.3 以RDD的count操作为例触发Job全生命周期源码研究 263
6.4 Akka驱动下的Driver、Master、Worker 276
6.4.1 Driver中的AppClient源码解析 276
6.4.2 AppClient注册Master 279
6.4.3 Worker中Executor启动过程源代码解析 282
第7章 GraphX大规模图计算与图挖掘实战 287
7.1 Spark GraphX概览 288
7.2 Spark GraphX设计实现的核心原理 291
7.3 Table operator和Graph Operator 295
7.4 Vertices、edges、triplets 296
7.5 以最原始的方式构建graph 299
7.6 动手编写及时个Graph代码实例并进行Vertices、edges、triplets操作 299
7.7 在Spark集群上使用文件中的数据加载成为graph并进行操作 310
前
诞生于伯克利大学AMPLab的Spark是当今大数据领域最活跃、最热门、较高效的大数据通用计算平台。基于RDD，Spark成功地构建起了一体化、多元化的大数据处理体系。在任何规模的数据计算中，Spark在性能和扩展性上都更具优势。携带先天学术基因优势的Spark在整个发展过程中都深深地打上了学术研究的烙印，在"One Stack to rule them all"思想的引领下，Spark成功地使用Spark SQL、Spark Streaming、MLlib、GraphX近乎地解决了大数据中的Batch Processing、Streaming Processing、Ad-hoc Query等三大核心问题。在"Full Stack"理想的指引下，Spark中的Spark SQL、Spark Streaming、MLLib、GraphX四大子框架和库之间可以无缝地共享数据和操作，这不仅打造了Spark在当今大数据计算领域其他计算框架都无可匹敌的优势，而且使得Spark正在加速成为大数据处理中心计算平台。
为什么写作本书
Spark + Hadoop = A Winning Combination！
Hadoop和Spark联合构成了当今的大数据世界，而这个世界正在悄悄发生变化，这种变化是Hadoop负责数据存储和资源管理，Spark负责一体化、多元化的不同规模的数据计算，而计算正是大数据的精髓之所在！
在Spark官方公布的世界上明确在实际生产环境中使用Spark的公司可见https://cwiki. apache.org/confluence/display/SPARK/Powered+By+Spark。在实际的生产环境中，世界上已经出现很多一千个以上节点的Spark集群，以eBay为例，eBay的Spark集群节点已经超过2000个，Yahoo！等公司也在大规模地使用Spark，国内的淘宝、腾讯、百度、网易、、华为、大众点评、优酷土豆等也在生产环境下深度使用Spark。2014 Spark Summit上的信息显示，Spark已经获得世界20家顶级公司的支持，这些公司中包括Intel、IBM等，同时更重要的是，较大的4个Hadoop发行商都提供了对Spark非常强有力的支持。
不得不提的是， DataBricks和AWS联合所做的Sort Benchmark测试表明，Spark在只用Hadoop 1/10的计算资源且基于磁盘计算的情况下却只用了1/3的运算时间，彻底颠覆了Hadoop保持的排序记录，成为开源软件领域在TB和PB数量级别排序最快的计算引擎。这表明在任意大小的数据规模下，Spark在性能和扩展性上都更具优势。
与Spark火爆程度形成鲜明对比的是Spark人才的严重稀缺，这一情况在中国尤其严重，这种人才的稀缺一方面是由于Spark技术在2013、2014年才在国内流行，另一方面是由于缺乏Spark相关的中文资料和系统化的培训。为此，Spark亚太研究院和51CTO联合推出了"Spark亚太研究院决胜大数据时代100期公益大讲堂"，共同推动Spark技术的普及。具体视频信息请参考edu.51cto.com/course/course_id-1659.html。
与此同时，为了更好地满足广大大数据爱好者系统学习Spark的迫切需求，我们基于近期的Spark 1.1版本编写了《大数据Spark企业级实战》一书，本着从企业级实际开发需要的Spark技能的角度出发，《大数据Spark企业级实战》一书覆盖了Spark集群的动手构建、Spark架构、内核的深入解析、Spark四大子框架的细致剖析和实战、Tachyon文件系统揭秘、Spark多语言编程、SparkR、Spark性能调优和实践、Spark核心源码解析等内容。考虑到Spark框架和开发语言使用Scala，而很多朋友可能对Scala不是太熟悉，所以在本书的附录中加入了动手实战Scala三部曲来帮助没有使用过Scala语言的学习者快速掌握Scala编程。对于一名大数据爱好者来说，本书内容可以帮助他们一站式地完成从零起步到进行Spark企业级开发所需要的全部核心内容和实战方法。
关于本书作者
本书作者王家林是Spark亚太研究院首席专家，中国移动互联网和云计算大数据技术领域的集大成者。在Spark、Hadoop、Android等方面有丰富的源码、实务和性能优化经验，彻底研究了Spark从0.5到1.1共18个版本的Spark源码。
作者是Hadoop源码级专家，曾负责某知名公司的类Hadoop框架开发工作，专注于提供Hadoop一站式解决方案，同时也是云计算分布式大数据处理的最早实践者之一。
作者是Android架构师、高级工程师、咨询顾问、培训专家，为超过50家公司提供了基于Linux和Android的软/硬整合解决方案。
本书主要内容
本书共15章，每章的主要内容如下。
第1章回答了Spark为何是大数据处理平台的必然选择？Spark速度如此之快的原因是什么？Spark的理论基石是什么？Spark具体是如何仅仅使用一个技术堆栈解决多元化的大数据处理需求的？
第2章回答了如何从零起步构建Hadoop集群？如何在Hadoop集群的基础上构建Spark集群？如何测试Spark集群？
第3章回答了如何在IDEA集成开发环境中开发并运行Spark程序？如何在IDA中开发Spark代码并进行测试？
第4章在细致解析RDD的基础上会动手实战RDD中的Transformation类型的RDD、Action类型的RDD，并伴有Spark API的综合实战案例。
第5章详细分析了Spark Standalone模式、Spark Yarn-Cluster模式、Spark-Client模式的设计和实现。
第6章首先介绍Spark内核，接着分析Spark内核及源码，细致解析Spark作业的全生命周期，分享Spark性能优化的内容。
第7章通过大约30个动手实践的案例循序渐进地展示Spark GraphX框架方方面面的功能和使用方法，并对Spark GraphX的源码进行解析。
第8章基于Spark SQL动手编程实践章节，从零起步，细致、深入地介绍了Spark SQL方方面面的内容。
第9章从快速入门机器学习开始，详细解析MLlib框架，通过对线性回归、聚类、协同过滤的算法解析、源码解析和案例实战，循序渐进地揭秘MLlib，通过对MLlib中Basic Statics、朴素贝叶斯算法、决策树的解析和实战，进一步提升掌握Spark机器学习的技能。
第10章细致解析了Tachyon这个分布式内存文件系统的架构设计、具体实现、部署以及Spark对Tachyon的使用等内容。
第11章循序渐进地介绍Spark Streaming的原理、源码和实战案例等内容。
第12章介绍了Spark多语言编程的特点，并通过代码实例循序渐进地介绍Spark多语言编程，通过一个综合实例来实践Spark多语言编程。
第13章从R语言的基础介绍和动手实战入手，介绍SparkR的使用和代码实战，助您快速上手R语言和Spark两大大数据处理的利器。
第14章循序渐进地介绍了Spark常见的问题及其调优方式。首先介绍Spark性能优化的14大问题及其解决方法，然后从内存优化、RDD分区、Spark对象和操作的性能调优等角度解决常见的性能调优问题，讲解Spark实践方案。
第15章聚焦于Spark源码中的BlockManager、Cache和Checkpoint等核心源码解析，BlockManager、Cache和Checkpoint是每个Spark学习者都必须掌握的核心内容。本章循序渐进地解析了这三部分的源码，包括通过源码说明其用途、实现机制、内部细节和实际Spark生产环境下的实践等。通过本章即可轻松驾驭BlockManager、Cache和Checkpoint，对Spark精髓的领悟也必将更上一层楼！
附录部分主要是从Spark的角度来讲解Scala，以动手实战为核心，从零开始，循序渐进地讲解Scala函数式编程和面向对象编程。
如何阅读本书
这是一本内容详实的大数据Spark企业级实战图书，按照以下建议阅读可能会取得更好的效果：
如果你以前没有接触过Scala，建议先从附录中的"动手实战Scala三部曲"开始阅读，边阅读边编写代码，快速掌握Scala。
在阅读完第1章的基础上，强烈建议按照书中第2章和第3章的内容搭建起Spark的集群和IDE开发环境，后续主要内容都要在第2章和第3章构建的环境基础上进行讲解。
其他内容按照章节循序渐进地学习，建议多动手实践。
强烈建议对于每一个Spark中知识点的学习应多阅读源码。
最终所有的内容都要回归到框架源码以及对源码的阅读和修改上，源码是一切问题的来源和答案，恭祝各位早日成为Spark源码级高手。
致谢
本书得以顺利出版是团队协作的结晶。在此特别感谢博文视点郭总的大力支持，编辑孙学瑛的认真和专业以及其他相关人员的支持。同时也感谢Spark亚太研究院各位同事的大力支持！尤其感谢佳佳在本书出版工作中的全力配合！
王家林
2014年12月
书挺好，可以很好入门
很好学习中
OK
可以
挺好的挺好的挺好的挺好的
不错，很全很详细。
退了。
怎么说呢，还可以啦，只是价格明显高了
不错，挺好的。就是因为部分书缺货，等了几天。
内容一般，排版太次
不错
挺实用的！
很不错
还行
spark好书，学习一下。
一本理论与实践并重的好书，就是版本有点低。
书还不错，阅读起来还是比较有意思的，书的包装也还可以，到手没坏，比较喜欢买自营的书，发票方便，希望能出更多好的书，为教育事业做贡献！！！
入门教程,但是作者好像涉嫌xxxx,自行搜索王xx
先说印刷，印刷质量太次，纸张质量太次，排版更尼玛次，几乎没有页面边距，为了省纸张也都拼了，乍一看挺厚的一本书，以为内容多丰富，就是尼玛从各种博客里面扒拉内容，而且截图根本就没有调整，一满页黑乎乎的命令行界面，就说SparkR章节吧， 80的内容是R语言基础，20的内容是摘抄的 博主徽沪一郎的博客 如何安装SparkR 针对SparkR的源码理解 一点点都没有 还什么spark亚太研究院，真水啊。。建议能不买就不买了 100多块钱。还听说他们的群里 给好评送书。
直接就扔保安了。以前当当快递不是这样的。起码给个电话。那么贵的书，就一个塑料袋包着，仍在保安那下雨了就完了。
包装完好，纸张上乘，印刷良好，排版粗糙，内容一般，作者有凑页数之嫌。
书还未看，朋友推荐不错。但是说实在的，当当选的快递一般。晚到了一天了。。。。。
非常好的一本书，里面讲了很多SPARK理论+实操，值得细细研读
这本书目前是值得看的，内容写的非常的好、值得大家好好的看几遍
讲的非常好，不愧是spark界圣经级别的书，大神带你飞！
看了书以后。干货很少.基本都是复制源码.适合初学者.书很厚。基本都是截图
王家林老师的力作啊，大数据spark的布道者，赞一个
