零基础入门Spark,从项目入手,带你深入浅出玩转Spark

你将获得什么?

  • 快速构建 Spark 核心知识体系
  • Spark 三大计算场景案例实操
  • 逐句注释的保姆级代码讲解
  • 在故事中搞懂 Spark 开发实战技巧

课程简介

说到学习Spark,如果你对“Spark还有那么火吗?会不会已经过时了?”这个问题感到困惑,那大可不必。

因为经过十多年的发展,Spark已经由当初的“大数据新秀”成长为数据应用领域的中流砥柱,早已成为各大头部互联网公司的标配。比如,字节跳动、美团、Netflix等公司基于Spark构建的应用,在为公司旗下的核心产品提供服务。

这也就意味着,对于数据应用领域的任何一名工程师来说,Spark开发都是一项必备技能

虽然Spark好用,而且是大数据从业者的一门必修课,但对于入门这件事儿,却也面临着这样一些难题:

  • 学习资料多且杂,自己根本就梳理不出脉络,更甭提要构建结构化的知识体系了。
  • 学习Spark,一定要先学Scala吗?新学一门编程语言,真不是件容易的事儿。
  • Spark的开发算子太多,记不住,来了新的业务需求,又不知道该从哪里下手。
  • ……

那么,该如何解决这些问题,从而打开Spark应用开发的大门呢?

为此,我们邀请到了吴磊老师。他会结合自己这些年学习、应用和实战Spark的丰富经验,为你梳理一套零基础入门Spark的“三步走”方法论:熟悉Spark开发API与常用算子、吃透Spark核心原理、玩转Spark计算子框架,从而帮助你零基础上手Spark 。

这个“三步走”方法论再配合4个不同场景的小项目,吴磊老师会从基本原理到项目落地,带你深入浅出玩转Spark。

课程模块设计

结合Spark最常用的计算子框架,这门课设计为4个模块,它与“三步走”方法论的对应关系如下:

零基础入门Spark,从项目入手,带你深入浅出玩转Spark

基础知识模块:从一个叫作“Word Count”的小项目开始,详细地讲解RDD常用算子的含义、用法与适用场景,以及RDD编程模型、调度系统、Shuffle管理、内存管理等核心原理,帮你打下坚实的理论基础。

Spark SQL模块:从“小汽车摇号”项目入手,带你熟悉Spark SQL开发API,为你讲解Spark SQL的核心原理与优化过程,以及Spark SQL与数据分析有关的部分,如数据的转换、清洗、关联、分组、聚合、排序,等等。

Spark MLlib模块:从“房价预测”这个小项目入手,带你了解Spark在机器学习中的应用,深入学习Spark MLlib丰富的特征处理函数和它支持的模型与算法,并带你了解Spark + XGBoost集成是如何帮助开发者应对大多数的回归与分类问题。

Structured Streaming模块:重点讲解Structured Streaming是怎么同时保证语义一致性与数据一致性的,以及如何应对流处理中的数据关联,并通过Kafka + Spark这对“Couple”的系统集成,来演示流处理中的典型计算场景。

课程目录

开篇词|入门Spark,你需要学会“三步走”
Part1:基础知识
01 Spark:从“大数据的Hello World”开始
02RDD与编程模型:延迟计算是怎么回事?
03RDD常用算子(一):RDD内部的数据转换
04进程模型与分布式部署:分布式计算是怎么回事?
05调度系统:如何把握分布式计算的精髓?
06 Shuffle管理:为什么Shuffle会成为性能瓶颈?
07RDD常用算子(二):Spark怎么实现数据聚合?
08内存管理:Spark如何利用内存资源?
09 RDD常用算子
(三):数据的准备、重分布与持久化
10广播变量与累加器:Spark怎么支持共享变量?
11存储系统:数据到底都存哪儿了?
12基础配置详解:哪些参数会影响应用程序稳定性?
Part2:Spark SQL
13 SparkSQL:从“小汽车摇号分析”开始
14台前幕后:DataFrame与Spark SQL的由来
15数据源与数据格式:DataFrame从何而来?
16数据转换:如何在DataFrame之上做数据处理?
17数据关联:不同的关联形式与实现机制该怎么选?
18数据关联优化:Broadcast Joins有什么优势?
19配置项详解:哪些参数会影响应用程序执行性能?
20 Hive + Spark:分布式数仓的不二之选
21 Spark Ul:如何高效地定位性能问题?
Part3: Spark MLlib
22 Spark MLlib:从“房价预测”开始
23特征工程:有哪些常用的特征处理函数?
24模型训练:Spark都支持哪些模型与算法?
25最佳实践:如何构建端到端的机器学习流水线?
26 Spark+XGBoost:如何应对“回归”与“分类”问题?
Part4: Structured Streaming
27 Structured Streaming:从“流动的Word Count”开始
28新老框架:Structured Streaming 与Spark Streaming
29数据一致性:事件时间与延迟数据处理
30流计算中的数据关联:流与流、流与批
31 Spark +Kafka:流计算中的“万金油”
结束语|进入时间裂缝,持续学习

讲师介绍

吴磊,现任 Freewheel 机器学习研发经理,负责计算广告业务中机器学习应用的实践、落地与推广。他还曾任职于IBM、联想研究院、新浪微博,具备丰富的数据库、数据仓库、大数据开发与调优经验。

吴磊热爱技术分享,擅长使用轻松幽默的故事去解读枯燥的技术。曾于Spark中国峰会、AWS re:Invent分享大规模机器学习应用与落地经验,荣获AWS Machine Leanring Hero称号。他在InfoQ上发表过多篇文章,更是在今年3月份出品了《Spark性能调优实战》这个专栏,深入浅出、风趣幽默。

(0)
上一篇 2021年9月14日 下午10:32
下一篇 2021年9月14日 下午10:40

相关推荐

发表回复

登录后才能评论