内容简介

《Spark大数据商业实战三部曲：内核解密|商业案例|性能调优》基于Spark 2.2.X，以Spark商业案例实战和Spark在生产环境下几乎所有类型的性能调优为核心，以Spark内核解密为基石，分为上篇、中篇、下篇，对企业生产环境下的Spark商业案例与性能调优抽丝剥茧地进行剖析。上篇基于Spark源码，从一个动手实战案例入手，循序渐进地全面解析了Spark 2.2新特性及Spark内核源码；中篇选取Spark开发中*有代表的经典学习案例，深入浅出地介绍，在案例中综合应用Spark的大数据技术；下篇性能调优内容基本完全覆盖了Spark在生产环境下的所有调优技术。

目录

上篇  内核解密

第1章  电光石火间体验Spark 2.2开发实战... 2

1.1  通过RDD实战电影点评系统入门及源码阅读... 2

1.1.1  Spark核心概念图解... 2

1.1.2  通过RDD实战电影点评系统案例... 4

1.2  通过DataFrame和DataSet实战电影点评系统... 7

1.2.1  通过DataFrame实战电影点评系统案例... 7

1.2.2  通过DataSet实战电影点评系统案例... 10

1.3  Spark 2.2源码阅读环境搭建及源码阅读体验... 11

第2章  Spark 2.2技术及原理... 14

2.1  Spark 2.2综述... 14

2.1.1  连续应用程序... 14

2.1.2  新的API 15

2.2  Spark 2.2 Core. 16

2.2.1  第二代Tungsten引擎... 16

2.2.2  SparkSession. 16

2.2.3  累加器API 17

2.3  Spark 2.2 SQL. 19

2.3.1  Spark SQL. 20

2.3.2  DataFrame和Dataset API 20

2.3.3  Timed Window.. 21

2.4  Spark 2.2 Streaming. 21

2.4.1  Structured Streaming. 21

2.4.2  增量输出模式... 23

2.5  Spark 2.2 MLlib. 27

2.5.1  基于DataFrame的Machine Learning API 28

2.5.2  R的分布式算法... 28

2.6  Spark 2.2 GraphX.. 29

第3章  Spark的灵魂：RDD和DataSet 30

3.1  为什么说RDD和DataSet是Spark的灵魂... 30

3.1.1  RDD的定义及五大特性剖析... 30

3.1.2  DataSet的定义及内部机制剖析... 34

3.2  RDD弹性特性七个方面解析... 36

3.3  RDD依赖关系... 43

3.3.1  窄依赖解析... 43

3.3.2  宽依赖解析... 45

3.4  解析Spark中的DAG逻辑视图... 46

3.4.1  DAG生成的机制... 46

3.4.2  DAG逻辑视图解析... 47

3.5  RDD内部的计算机制... 49

3.5.1  Task解析... 49

3.5.2  计算过程深度解析... 49

3.6  Spark RDD容错原理及其四大核心要点解析... 57

3.6.1  Spark RDD容错原理... 57

3.6.2  RDD容错的四大核心要点... 57

3.7  Spark RDD中Runtime流程解析... 59

3.7.1  Runtime架构图... 59

3.7.2  生命周期... 60

3.8  通过WordCount实战解析Spark RDD内部机制... 70

3.8.1  Spark WordCount动手实践... 70

3.8.2  解析RDD生成的内部机制... 72

3.9  基于DataSet的代码到底是如何一步步转化成为RDD的... 78

第4章  Spark Driver启动内幕剖析... 81

4.1  Spark Driver Program剖析... 81

4.1.1  Spark Driver Program.. 81

4.1.2  SparkContext深度剖析... 81

4.1.3  SparkContext源码解析... 82

4.2  DAGScheduler解析... 96

4.2.1  DAG的定义... 96

4.2.2  DAG的实例化... 97

4.2.3  DAGScheduler划分Stage的原理... 98

4.2.4  DAGScheduler划分Stage的具体算法... 99

4.2.5  Stage内部Task获取最佳位置的算法... 113

4.3  TaskScheduler解析... 116

4.3.1  TaskScheduler原理剖析... 116

4.3.2  TaskScheduler源码解析... 117

4.4  SchedulerBackend解析... 132

4.4.1  SchedulerBackend原理剖析... 132

4.4.2  SchedulerBackend源码解析... 132

4.4.3  Spark程序的注册机制... 133

4.4.4  Spark程序对计算资源Executor的管理... 134

4.5  打通Spark系统运行内幕机制循环流程... 135

4.6  本章总结... 145

第5章  Spark集群启动原理和源码详解... 146

5.1  Master启动原理和源码详解... 146

5.1.1  Master启动的原理详解... 146

5.1.2  Master启动的源码详解... 147

5.1.3  Master HA双机切换... 157

5.1.4  Master的注册机制和状态管理解密... 163

5.2  Worker启动原理和源码详解... 170

5.2.1  Worker启动的原理流程... 170

5.2.2  Worker启动的源码详解... 174

5.3  ExecutorBackend启动原理和源码详解... 178

5.3.1  ExecutorBackend接口与Executor的关系... 178

5.3.2  ExecutorBackend的不同实现... 179

5.3.3  ExecutorBackend中的通信... 181

5.3.4  ExecutorBackend的异常处理... 183

5.4  Executor中任务的执行... 184

5.4.1  Executor中任务的加载... 184

5.4.2  Executor中的任务线程池... 185

5.4.3  任务执行失败处理... 186

5.4.4  揭秘TaskRunner 188

5.5  Executor执行结果的处理方式... 189

5.6  本章总结... 197

第6章  Spark Application提交给集群的原理和源码详解... 198

6.1  Spark Application到底是如何提交给集群的... 198

6.1.1  Application提交参数配置详解... 198

6.1.2  Application提交给集群原理详解... 199

6.1.3  Application提交给集群源码详解... 201

6.2  Spark Application是如何向集群申请资源的... 211

6.2.1  Application申请资源的两种类型详解... 211

6.2.2  Application申请资源的源码详解... 213

6.3  从Application提交的角度重新审视Driver 219

6.3.1  Driver到底是什么时候产生的... 220

6.3.2  Driver和Master交互原理解析... 238

6.3.3  Driver和Master交互源码详解... 244

6.4  从Application提交的角度重新审视Executor 249

6.4.1  Executor到底是什么时候启动的... 249

6.4.2  Executor如何把结果交给Application. 254

6.5  Spark 1.6 RPC内幕解密：运行机制、源码详解、Netty与Akka等... 254

6.6  本章总结... 267

第7章  Shuffle原理和源码详解... 268

7.1  概述... 268

7.2  Shuffle的框架... 269

7.2.1  Shuffle的框架演进... 269

7.2.2  Shuffle的框架内核... 270

7.2.3  Shuffle框架的源码解析... 272

7.2.4  Shuffle数据读写的源码解析... 275

7.3  Hash Based Shuffle. 281

7.3.1  概述... 281

7.3.2  Hash Based Shuffle内核... 282

7.3.3  Hash Based Shuffle数据读写的源码解析... 285

7.4  Sorted Based Shuffle. 290

7.4.1  概述... 292

7.4.2  Sorted Based Shuffle内核... 293

7.4.3  Sorted Based Shuffle数据读写的源码解析... 294

7.5  Tungsten Sorted Based Shuffle. 302

7.5.1  概述... 302

7.5.2  Tungsten Sorted Based Shuffle内核... 302

7.5.3  Tungsten Sorted Based Shuffle数据读写的源码解析... 303

7.6  Shuffle与Storage 模块间的交互... 309

7.6.1  Shuffle注册的交互... 310

7.6.2  Shuffle写数据的交互... 314

7.6.3  Shuffle读数据的交互... 315

7.6.4  BlockManager架构原理、运行流程图和源码解密... 315

7.6.5  BlockManager解密进阶：BlockManager初始化和注册解密、BlockManager- Master工作解密、BlockTransferService解密、本地数据读写解密、远程数据读写解密... 324

7.7  本章总结... 341

第8章  Job工作原理和源码详解... 342

8.1  Job到底在什么时候产生... 342

8.1.1  触发Job的原理和源码解析... 342

8.1.2  触发Job的算子案例... 344

8.2  Stage划分内幕... 345

8.2.1  Stage划分原理详解... 345

8.2.2  Stage划分源码详解... 346

8.3  Task全生命周期详解... 346

8.3.1  Task的生命过程详解... 347

8.3.2  Task在Driver和Executor中交互的全生命周期原理和源码详解... 348

8.4  ShuffleMapTask和ResultTask处理结果是如何被Driver管理的... 364

8.4.1  ShuffleMapTask执行结果和Driver的交互原理及源码详解... 364

8.4.2  ResultTask执行结果与Driver的交互原理及源码详解... 370

第9章  Spark中Cache和checkpoint原理和源码详解... 372

9.1  Spark中Cache原理和源码详解... 372

9.1.1  Spark中Cache原理详解... 372

9.1.2  Spark中Cache源码详解... 372

9.2  Spark中checkpoint原理和源码详解... 381

9.2.1  Spark中checkpoint原理详解... 381

9.2.2  Spark中checkpoint源码详解... 381

第10章  Spark中Broadcast和Accumulator原理和源码详解... 391

10.1  Spark中Broadcast原理和源码详解... 391

10.1.1  Spark中Broadcast原理详解... 391

10.1.2  Spark中Broadcast源码详解... 393

10.2  Spark中Accumulator原理和源码详解... 396

10.2.1  Spark中Accumulator原理详解... 396

10.2.2  Spark中Accumulator源码详解... 396

第11章  Spark与大数据其他经典组件整合原理与实战... 399

11.1  Spark组件综合应用... 399

11.2  Spark与Alluxio整合原理与实战... 400

11.2.1  Spark与Alluxio整合原理... 400

11.2.2  Spark与Alluxio整合实战... 401

11.3  Spark与Job Server整合原理与实战... 403

11.3.1  Spark与Job Server整合原理... 403

11.3.2  Spark与Job Server整合实战... 404

11.4  Spark与Redis整合原理与实战... 406

11.4.1  Spark与Redis整合原理... 406

11.4.2  Spark与Redis整合实战... 407

中篇  商业案例

第12章  Spark商业案例之大数据电影点评系统应用案例... 412

12.1  通过RDD实现分析电影的用户行为信息... 412

12.1.1  搭建IDEA开发环境... 412

12.1.2  大数据电影点评系统中电影数据说明... 425

12.1.3  电影点评系统用户行为分析统计实战... 428

12.2  通过RDD实现电影流行度分析... 431

12.3  通过RDD分析各种类型的最喜爱电影TopN及性能优化技巧... 433

12.4  通过RDD分析电影点评系统仿QQ和微信等用户群分析及广播
背后机制解密... 436

12.5  通过RDD分析电影点评系统实现Java和Scala版本的二次排序系统... 439

12.5.1  二次排序自定义Key值类实现（Java）... 440

12.5.2  电影点评系统二次排序功能实现（Java）... 442

12.5.3  二次排序自定义Key值类实现（Scala）... 445

12.5.4  电影点评系统二次排序功能实现（Scala）... 446

12.6  通过Spark SQL中的SQL语句实现电影点评系统用户行为分析... 447

12.7  通过Spark SQL下的两种不同方式实现口碑最佳电影分析... 451

12.8  通过Spark SQL下的两种不同方式实现最流行电影分析... 456

12.9  通过DataFrame分析最受男性和女性喜爱电影TopN.. 457

12.10  纯粹通过DataFrame分析电影点评系统仿QQ和微信、淘宝等用户群... 460

12.11  纯粹通过DataSet对电影点评系统进行流行度和不同年龄阶段兴趣分析等... 462

12.11.1  通过DataSet实现某特定电影观看者中男性和女性不同年龄的人数... 463

12.11.2  通过DataSet方式计算所有电影中平均得分最高
（口碑最好）的电影TopN.. 464

12.11.3  通过DataSet方式计算所有电影中粉丝或者观看人数最多（最流行电影）的电影TopN   465

12.11.4  纯粹通过DataSet的方式实现所有电影中最受男性、女性喜爱的
电影Top10. 466

12.11.5  纯粹通过DataSet的方式实现所有电影中QQ或者微信核心目标
用户最喜爱电影TopN分析... 467

12.11.6  纯粹通过DataSet的方式实现所有电影中淘宝核心目标用户最喜爱电影TopN分析    469

12.12  大数据电影点评系统应用案例涉及的核心知识点原理、源码及案例代码... 470

12.12.1  知识点：广播变量Broadcast内幕机制... 470

12.12.2  知识点：SQL全局临时视图及临时视图... 473

12.12.3  大数据电影点评系统应用案例完整代码... 474

12.13  本章总结... 496