目录
序言 ...............XI
致谢 .............XIII
关于本书 ..... XIV
关于封面插图................................. XVIII
第1部分 Spark和图
1 两项重要的技术:Spark和图 ........ 3
1.1 Spark:超越Hadoop MapReduce ... 4
1.1.1 模糊的大数据定义 ............. 6
1.1.2 Hadoop:Spark之前的世界 ................................... 6
1.1.3 Spark:内存中的 MapReduce处理 ....................... 7
1.2 图:挖掘关系中的含义 ................. 9
1.2.1 图的应用 ........................... 11
1.2.2 图数据的类型 ................... 12
1.2.3 普通的关系型数据库在图方面的不足 ................ 14
1.3 把快如闪电的图处理放到一起:Spark GraphX ............. 14
1.3.1 图的属性:增加丰富性 ... 15
1.3.2 图的分区:当图变为大数据集时 ........................ 17
1.3.3 GraphX允许选择:图并行还是数据并行 .......... 19
1.3.4 GraphX支持的各种数据处理方式 ...................... 19
1.3.5 GraphX与其他图系统 ..... 21
1.3.6 图存储:分布式文件存储与图数据库 ................ 23
1.4 小结 .......... 23
2 GraphX快速入门 .......................... 24
2.1 准备开始并准备数据 ................... 24
2.2 用Spark Shell做GraphX交互式查询 ................................. 26
2.3 PageRank算法示例 ....................... 29
2.4 小结 .......... 31
3 基础知识.. 32
3.1 Scala―Spark的原生编程语言 . 33
3.1.1 Scala的理念:简洁和表现力 .............................. 33
3.1.2 函数式编程 ....................... 34
3.1.3 类型推断 ........................... 38
3.1.4 类的声明 ........................... 39
3.1.5 map和 reduce ................... 41
3.1.6 一切皆是“函数” ............. 42
3.1.7 与 Java的互操作性 .......... 44
3.2 Spark ......... 44
3.2.1 分布式内存数据: RDD .. 44
3.2.2 延迟求值 ........................... 47
3.2.3 集群要求和术语解释 ....... 49
3.2.4 序列化 ............................... 50
3.2.5 常用的 RDD操作 ............ 50
3.2.6 Spark和 SBT初步 ........... 54
3.3 图术语解释 ................................... 55
3.3.1 基础 ................................... 55
3.3.2 RDF图和属性图 .............. 58
3.3.3 邻接矩阵 ........................... 59
3.3.4 图查询系统 ....................... 59
3.4 小结 .......... 60
第2部分 连接顶点
4 GraphX 基础 ............................... 65
4.1 顶点对象与边对象 ....................... 65
4.2 mapping操作 ................................. 71
4.2.1 简单的图转换 ................... 71
4.2.2 Map/Reduce ...................... 73
4.2.3 迭代的 Map/Reduce ......... 77
4.3 序列化/反序列化 .......................... 79
4.3.1 读 /写二进制格式的数据 79
4.3.2 JSON格式 ........................ 81
4.3.3 Gephi可视化软件的 GEXF格式 ......................... 85
4.4 图生成 ...... 86
4.4.1 确定的图 ........................... 86
4.4.2 随机图 ............................... 88
4.5 Pregel API . 90
4.6 小结 .......... 96
5 内置图算法 ................................... 97
5.1 找出重要的图节点:网页排名 ... 98
5.1.1 PageRank算法解释 .......... 98
5.1.2 在 GraphX中使用 PageRank ................................ 99
5.1.3 个性化的 PageRank ........ 102
5.2 衡量连通性:三角形数 ............. 103
5.2.1 三角形关系的用法 ......... 103
5.2.2 Slashdot朋友和反对者的用户关系示例 ........... 104
5.3 查找最少的跳跃:最短路径 ..... 106
5.4 找到孤岛人群:连通组件 ......... 107
5.4.1 预测社交圈子 ................. 108
5.5 受欢迎的回馈:增强连通组件 . 114
5.6 社区发现算法:标签传播 ......... 115
5.7 小结 ........ 117
6 其他有用的图算法 .......................118
6.1 你自己的GPS:有权值的最短路径 ............................... 119
6.2 旅行推销员问题:贪心算法 ..... 124
6.3 路径规划工具:最小生成树 ..... 127
6.3.1 基于 Word2Vec的推导分类法和最小生成树 ... 131
6.4 小结 ........ 135
7 机器学习 136
7.1 监督、无监督、半监督学习 ..... 137
7.2 影片推荐: SVDPlusPlus........... 139
7.2.1 公式解释 ......................... 146
7.3 在MLlib中使用GraphX .............. 146
7.3.1 主题聚类:隐含狄利克雷分布 .......................... 147
7.3.2 垃圾信息检测: LogisticRegressionWithSGD ... 156
7.3.3 使用幂迭代聚类进行图像分割(计算机视觉) 160
7.4 穷人(简化版)的训练数据:基于图的半监督学习 .. 165
7.4.1 K近邻图构建 ................. 168
7.4.2 半监督学习标签传播算法 .................................. 175
7.5 小结 ........ 180
第3部分 更多内容
8 缺失的算法 ................................. 183
8.1 缺失的基本图操作 ..................... 184
8.1.1 通用意义上的子图 ......... 184
8.1.2 图合并 ............................. 185
8.2 读取RDF图文件 .......................... 189
8.2.1 顶点匹配以及图构建 ..... 189
8.2.2 使用 IndexedRDD和 RDD HashMap来提升性能................................. 191
8.3 穷人(简化版)的图同构:找到Wikipedia缺失的信息 ................................... 197
8.4 全局聚类系数:连通性比较 ..... 202
8.5 小结 ........ 205
9 性能和监控 ................................. 207
9.1 监控Spark应用 ............................ 208
9.1.1 Spark如何运行应用 ...... 208
9.1.2 用 Spark监控来了解你的应用的运行时信息 .. 211
9.1.3 history server ................... 221
9.2 Spark配置 .................................... 223
9.2.1 充分利用全部 CPU资源 .................................... 226
9.3 Spark性能调优 ............................ 227
9.3.1 用缓存和持久化来加速 Spark ........................... 227
9.3.2 checkpointing .................. 230
9.3.3 通过序列化降低内存压力 .................................. 232
9.4 图分区 .... 233
9.5 小结 ........ 235
10 更多语言以及工具 .................... 237
10.1 在GraphX中使用除Scala外的其他语言 ....................... 238
10.1.1 在 GraphX中使用 Java 7 ................................ 238
10.1.2 在 GraphX中使用 Java 8 ................................ 245
10.1.3 未来 GraphX是否会支持 Python或者 R ...... 245
10.2 其他可视化工具:Apache Zeppelin 和 d3.js ............... 245
10.3 类似一个数据库:Spark Job Server ............................. 248
10.3.1 示例:查询 Slashdot好友的分离程度 .......... 250
10.3.2 更多使用 Spark Job Server的例子 ................. 253
10.4 通过GraphFrames在Spark的图上使用SQL .................. 254
10.4.1 GraphFrames和 GraphX的互操作性 ............ 255
10.4.2 使用 SQL进行便捷、高性能的操作............. 257
10.4.3 使用 Cypher语言的子集来进行顶点搜索 .... 258
10.4.4 稍微复杂一些的 YAGO图同构搜索 ............. 260
10.5 小结 ...... 264
附录A 安装Spark ........................... 266
附录B Gephi可视化软件 ................ 271
附录C 更多资源 ............................. 275
附录D 本书中的Scala小贴士 ......... 278