●序 1
前言 3
第一部分 Apache Spark 流處理的基本原理
第1章 流處理概述 13
什麼是流處理 14
批處理與流處理 15
流處理中的時間概念 15
不確定性因素 16
流處理案例 16
可擴展的數據處理能力 18
擴展性與容錯性 19
分布式流處理 19
Apache Spark 概述 20
第一波浪潮：函數式API 20
第二波浪潮：SQL 21
統一的引擎21
Spark 組件 22
Spark Streaming 23
Structured Streaming 23
接下來？ 24
第2章 流處理模型 25
數據源與接收器 26
不可變流 27
轉換與聚合 27
窗口聚合 28
滾動窗口 28
滑動窗口 29
無狀態處理與有狀態處理 29
有狀態的流 30
案例：Scala中的本地狀態計算 31
無狀態流，還是有狀態流？ 33
時間效應 33
帶時間戳的事件計算 33
通過時間戳來定義時間概念 34
事件時間與處理時間 34
使用水位線計算 37
小結 39
第3章 流處理架構 41
數據平臺的組件 41
體繫模型 43
在流處理應用中使用批處理組件 44
流處理架構參考 45
Lambda 架構 45
Kappa 架構 46
流處理算法與批處理算法 47
流處理算法有時候本質上與批處理算法接近不同 47
流處理算法難以保證比批處理算法表現更好 48
小結 50
第4章 流處理引擎Apache Spark 51
兩種API 的由來 51
Spark 的內存使用 52
故障恢復 53
惰性執行 53
緩存使用建議 53
延遲 54
面向吞吐的數據處理 55
Spark的多語言API 55
快速實現數據分析 56
更多關於Spark的內容 57
小結 57
第5章 Spark分布式處理模型 59
通過集群管理器來運行Apache Spark 59
Spark的集群管理器 61
分布式繫統的彈性與容錯 62
故障恢復 63
集群管理器對容錯的支持 63
數據交付語義 64
微批處理與一次處理一個 66
微批處理：整體同步處理應用案例 66
一次處理一個 68
微批與一次處理一個：權衡 68
微批處理與一次處理一個方式地結合 69
動態的批次間隔 69
Structured Streaming處理模型 69
第6章 Spark彈性模型 71
Spark中的彈性分布式數據集 71
Spark組件 73
Spark容錯保證 75
Task失敗恢復 76
stage失敗恢復 77
Driver失敗恢復 77
小結 78
參考文獻 81
第二部分 Structured Streaming
第7章 Structured Streaming 概述 87
學習Structured Streaming 之前 88
批處理分析 89
流分析 92
連接Stream 93
準備流數據93
流式Dataset操作 94
創建查詢（Query） 95
啟動流處理96
瀏覽數據 97
小結 97
第8章 Structured Streaming 編程模型 99
初始化Spark實例 100
source：接收流數據 100
流數據的轉換 102
sink：輸出結果數據 105
format 106
outputMode 107
queryName 107
option 108
options 108
trigger 108
start() 109
小結 109
第9章 Structured Streaming 實戰 111
消費流source 112
程序邏輯 114
寫入流sink 114
小結 116
第10章 Structured Streaming的Source 117
source概述 117
可靠的source需要能夠重放數據 118
source需要提供schema 119
可用的source 121
文件source 122
指定文件格式 122
公共配置 123
常用的文本解析配置項（CSV、JSON） 124
JSON文件source 125
CSV文件source127
Parquet文件source 128
文本文件source 128
Kafka source 129
創建Kafka source 130
選擇訂閱主題的方法 131
Kafka source的配置項 132
Kafka消費者的配置項 133
Socket source 134
配置 135
操作 136
Rate source 136
第11章 Structured Streaming的Sink 139
sink概述 139
可用的sink 140
可靠的sink 140
實驗型sink 141
sink API 141
深入學習sink 141
文件sink 142
在文件sink中使用觸發器 143
文件格式的通用配置項 145
常見的時間和日期格式化設置（CSV、JSON） 146
CSV文件sink 146
JSON文件sink 147
Parquet文件sink 148
文本文件sink 148
Kafka sink 148
Kafka發布模型 148
Kafka sink的使用 149
內存sink 152
控制臺sink 153
配置項 153
輸出模式 153
Foreach sink 154
ForeachWriter 接口 154
TCP Writer sink: ForeachWriter使用案例 155
案例總結 158
ForeachWriter序列化問題排查 159
第12章 基於事件時間的流處理 161
Structured Streaming中的事件時間 161
事件時間 163
處理時間 164
水位線 164
基於時間的窗口聚合 165
基於時間的窗口定義 166
如何計算間隔 167
多維聚合 167
滾動窗口和滑動窗口 168
記錄去重 170
小結 170
第13章 高級狀態操作 173
案例：車隊管理 174
分組狀態操作 174
使用MapGroupsWithState 176
使用FlatMapGroupsWithState 180
輸出模式 182
管理狀態的時變性 183
小結 186
第14章 Structured Streaming 應用監控 187
Spark 指標子繫統 188
StreamingQuery 實例 189
StreamingQueryListener 接口 192
第15章 實驗性模塊：連續處理與機器學習 195
連續處理 195
連續處理介紹 195
使用連續處理 197
局限性 198
機器學習 199
學習與應用199
在流中使用機器學習模型 200
案例：利用環境傳感器估計房間使用情況 201
在線訓練 204
參考文獻 207
第三部分 Spark Streaming
第16章 Spark Streaming 概述 213
DStream 抽像 214
基於DStream 的編程模型 214
基於DStream 的執行模型 216
Spark Streaming 程序結構 216
創建Spark Streaming Context 217
定義DStream 218
定義輸出操作 218
啟動Spark Streaming Context 218
停止Streaming進程 219
小結 219
第17章 Spark Streaming編程模型 221
RDD，DStream的底層抽像 221
DStream轉換操作 224RDD 級別的DStream轉換228
Count操作 229
修改結構的轉換操作 230
小結 231
第18章 Spark Streaming執行模型 233
整體同步架構 233
Receiver 模型 235
Receiver API 235
Receiver 工作流程 236
Receiver 數據流 237
內部的數據彈性 238
Receiver 的並行 239
資源平衡：Receiver 與處理核數 239
通過預寫式日志（Write-Ahead Log）達到零數據丟失 240
無Receiver（Direct）模式 241
小結 242
第19章 Spark Streaming 的Source 245
source 分類 245
基礎source 246
基於Receiver 模式的source 246
基於Direct 模式的source 247
常用source 247
文件source 248
隊列source 251
工作流程 252
使用隊列source 測試 252
隊列source 的簡單替代方案：ConstantInputDStream 254
Socket source 256
Kafka source 258
使用Kafka source 260
工作流程 261
哪裡有更多的source 262
第20章 Spark Streaming 的Sink 263
輸出操作 263
內置的輸出操作 265
print 266
saveAs 繫列 266
foreachRDD 268
使用foreachRDD 編寫自定義sink 268
第三方輸出操作 271
第21章 基於時間的流處理 273
窗口聚合 273
滾動窗口 274
滑動窗口 275
滑動窗口與批次間隔 275
滑動窗口與滾動窗口 276
使用窗口還是較長的批次間隔 276
窗口上的reduce 操作 277
reduceByWindow 278
reduceByKeyAndWindow 278
countByWindow 278
countByValueAndWindow 279
可逆的窗口聚合操作 279
流的分片 281
小結 281
第22章 任意有狀態的流處理 283
流的狀態性 283
updateStateByKey 284
updateStateByKey 的局限性 286
性能 286
內存占用 287
使用mapwithState 進行有狀態的計算 287
使用mapWithState 289
使用mapWithState進行基於事件時間的流計算 291
第23章 使用Spark SQL 295
Spark SQL 296
在Spark Streaming中使用Spark SQL函數 297
靜態數據處理 301
Join 優化 304
更新流處理程序中的參考數據集 307
小結 309
第24章 checkpoint 機制 311
checkpoint的使用 312
DStream的checkpoint機制 317
從checkpoint中恢復 318
checkpoint的代價 320
checkpoint調優 320
第25章 Spark Streaming應用監控 323
Streaming UI 324
通過Streaming UI了解作業性能 326
輸入速率圖326
調度延遲圖327
處理時間圖328
總延遲圖 328
批次細節 329
監控REST API 331
監控REST API 的使用 331
監控REST API 詳解 331
指標子繫統 333
內部事件總線 335
小結 339
第26章 性能調優 341
Spark Streaming中的性能平衡 341
批次間隔與處理延遲的關繫 342
作業是如何失敗的 342
深入理解調度延遲和處理延遲 343
checkpoint對處理時間的影響 344
影響作業性能的外部因素 345
如何提高性能 345
調整批次間隔 346
以固定速率對數據攝入限流 346
反壓 347
動態限流 348
PID 反壓調優 349
自定義速率估算器 349
另一種動態處理策略 350
緩存 350
推測執行 352
參考文獻 353
第四部分 Spark Streaming高級技巧
第27章 流式近似與抽樣算法 357
準確性、實時性與大數據 358
準確性 358
實時處理 358
大數據 359
準確性、實時性與大數據之間的三角關繫 359
近似算法 362
哈希與素描 362
去重統計：HyperLogLog 363
角色扮演練習：假如我們是繫統管理員 364
HyperLogLog 在Spark中的實踐 367
布隆過濾器概述 372
在Spark 中使用布隆過濾器 373
使用Count-min Sketch統計頻率 373
排名與分位數：T-Digest 算法 376
隨機抽樣 379
分層抽樣 380
第28章 實時機器學習 381
利用樸素貝葉斯進行流分類 382
streamDM介紹384
樸素貝葉斯實踐案例 385
訓練一個電影評論分類器 386
決策樹介紹 387
Hoeffding樹 389
使用在線K-means進行流聚類 392
K-means聚類 392
在線數據與在線K-means算法 393
聚類的衰退問題 394
使用Spark Streaming運行流式K-means 396
參考文獻 399
第五部分 Apache Spark之外的世界
第29章 其他分布式實時流處理繫統 405
Apache Storm 405
編程模型 406
Storm 拓撲 406
Storm 集群 407
與Spark 相比 407
Apache Flink 408
流處理優先的框架 408
與Spark相比 409
Kafka Streams 409
Kafka Streams編程模型 410
與Spark相比 410
雲上的流處理繫統 411
AWS上的 Kinesis 411
微軟的Azure Stream Analytics 412
Apache Beam 和Google Cloud Dataflow 413
第30章 展望 417
緊隨Spark 項目 418
在Stack Overflow上尋求幫助 418
在郵件列表中進行討論 418
參加會議 419
參加交流會 419
貢獻Apache Spark 項目 419
參考文獻 421
作者介紹 423
封面介紹 423

利用分析工具可以快速獲取商業洞察，為此你需要了解如何對數據進行實時處理。通過這本實用指南，對於熟悉Apache Spark的讀者來說，你們將了解如何將這個內存框架應用於流數據。你會發現Spark讓你幾乎可以像面對批處理作業一樣來開發流處理作業。 本書介紹了Apache Spark的理論基礎。這本綜合指南通過兩個部分比較了Spark支持的流處理API：早期Spark Streaming和後來的Structured Streaming。