前言

Spark是基于内存计算的大数据并行计算框架，因为它基于内存计算，所以提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。

本书分为11章内容：

第1章从Spark概念出发，介绍Spark的来龙去脉，阐述Spark机制与如何进行Spark编程。

第2章详细介绍Spark的开发环境配置。

第3章详细介绍Spark生态系统重要组件Spark SQL . Spark Streaming、GraphX、MLlib的实现机制，为后续使用奠定基础。

第4章详细介绍 如何通过Flume、Kafka. Spark Streaming. HDFS、 Flask 等开源工具构建实时与离线数据分析流水线。

由于文档内容过多，所以只截取了目录部分，每个知识点都有更细化的内容！！

需要获取这份Spark资料的朋友： 转发文章并关注我，后台私信【资料】即可免费获取

第5章从实际出发，详细介绍如何在Azure云平台，通过Nodejs、AzureQucue. Azure Table. Spark Streaming、MLib等组件对用户行为数据进行分析与推荐。

第6章详细介绍如何通过Twitter API、Spark SQL, Spark Streaming. Cassandra 、D3等组件对Titter进行情感分析与统计分析。

第7章详细介绍如何通过Scrapy、Katka、 MongoDB、Spark 、Spark Streaming、Elastic Search等组件对新闻进行抓取、分析、热点新闻聚类等挖掘工作。

第8章详细介绍了 协同过滤概念和模型，讲解了如何在Spark中实现基于ltem-based. User-based 和Model-based协同过滤算法的推荐系统。

第9章详细介绍了社交网络分析的基本概念和经典算法，以及如何利用Spark实现这些经典算法，用于真实网络的分析。

第10章详细介绍了主题分析模型(LDA),讲解如何在Spark中实现LDA算法，并且对真实的新闻数据进行分析。

第11章详细介绍了搜索引擎的基本原理，以及其中用到的核心搜索排序相关算法一PageRank 和Ranking SVM，并讲解了如何在Spark中实现PageRank和RankingSVM算法，以及如何对真实的Web数据进行分析。

由于文档内容过多，所以只截取了目录部分，每个知识点都有更细化的内容！！

需要获取这份Spark资料的朋友： 转发文章并关注我，后台私信【资料】即可免费获取