一文了解Spark核心知识体系

Posted 2022-08-27 过往记忆

现在，几乎所有公司都离不开推荐、广告、搜索这 3 类业务场景，因此 Spark 也相应成了大多数互联网公司的标配：

美团在 2014 年就引入 Spark，并将其逐渐覆盖到大多数业务线；字节跳动也基于 Spark 构建数据仓库，去服务了几乎所有的产品线；还有 Facebook 也将数据分析引擎切换为 Spark。

以美团为例，它海量的日志数据将被汇总处理、分析、挖掘与学习，为各种推荐、搜索系统甚至公司战略目标制定提供数据支持。

而 Spark 能在相同资源使用情况下，把作业执行的速度提升百倍，极大的提高了生产效率，这也是 Spark 逐步替代 MapReduce 作业，成为美团大数据处理的主流计算引擎的原因。

我觉得，在发展迅猛的数据应用领域，Spark 能持久地立于不败之地，主要是因为它“快”和“全”。

Hadoop 和 Spark 的对数几率回归对比，运行速度相差 100 倍

Spark 的开发和执行效率都很快，它支持多种开发语言，提供种类丰富的开发算子，让开发者能快速地完成数据应用开发；另外，它在计算场景的支持上也非常强大，能让开发者在同一套计算框架之内，实现不同类型的数据应用。

Spark 子框架与不同的计算场景

在数据应用领域，无论你是大数据工程师、数据分析师、数据科学家，还是机器学习算法研究员，Spark 都是必备的傍身之计。

但入门 Spark 却不是件容易的事，知识点繁多复杂，Scala 语法也晦涩难懂。如果只照本宣科地看原理，一旦遇到具体的业务需求，大概率还是无从下手。

这里推荐给你一副「Spark 知识体系全景图」，涉及 Spark 入门必备的 80% 以上的知识点，十分全面。

Spark 知识体系全景图

这张图出自吴磊，他是国内第一批搞 Spark 的人，目前是 Freewheel 公司机器学习团队负责人，主导计算广告业务中机器学习的应用、落地与推广，有丰富的大数据开发与调优经验，曾任职于 IBM、联想研究院、新浪微博等大厂。同时他曾在 CSDN、《 IBM developerWorks 》、《程序员》和  InfoQ 上发布过多篇技术干货，深受好评。

最重要的，磊哥还是 2021 年的 AWS Machine Learning Hero 得主，更是 30 个入选人中唯一一个中国人（这个奖每年由亚马逊公司策划和评选，含金量很高）。

最近，磊哥推出了《零基础入门 Spark》专栏。在专栏里，他专门结合自己的学习和成长经历，讲了如何快速构建 Spark 核心知识体系，以及 从 0 到 1 入门 Spark 的窍门等，还结合了 Spark 三大计算场景案例的实操。

值得一提的是，磊哥专栏里的代码都是逐句注释，而且在讲开发实战技巧的模块，也贴心地用故事来带入，既形象生动又便于理解记忆，做到真正的从项目入手，带你深入浅出玩转 Spark。

新人首单 ¥59

立即享 5 折

原价 ¥129

戳海报免费试读⬆️

吴磊是如何讲解 Spark 专栏的？

磊哥根据自己多年经验总结了一套「入门 Spark 三步法」，传神地将运用 Spark 比作“驾驶赛车”，而入门 Spark 也和学开赛车一样，仅需三步：

第一步是学基础，掌握 Spark 常用的开发 API 与开发算子，第二步是学工作原理，吃透 Spark 的核心原理，第三步是应对各类场景，玩转 Spark 计算子框架。

为了更好地提升大家的学习效率，他在专栏中设计了基础知识、Spark SQL、Spark MLlib 和 Structured Streaming 这 4 个模块，将这“三步走”完美融入其中。

“三步走”与专栏内容安排

第一个模块是基础知识。他会详细讲解包括RDD编程模型、Spark进程模型、调度系统、存储系统、Shuffle管理、内存管理等在内的 Spark 核心原理，并通过一个个有趣的故事，让你像读小说一样轻松诙谐地弄懂 Spark 。

第二个模块是 Spark SQL。他会从一个小项目入手，带你先熟悉开发 API ，再结合案例讲解 Spark SQL 的核心原理与优化过程，再重点介绍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。

第三个模块是 Spark 机器学习子框架：Spark MLlib。他从“房价预测”这个项目入手，带你初步了解机器学习中的回归模型、及 Spark MLlib 的基本用法，同时深入学习 Spark MLlib 丰富的特征处理函数，和支持的模型与算法，并构建端到端的机器学习流水线。此外，他还会分享 Spark + XGBoost 集成，是如何帮助开发者应对大多数的回归与分类的问题。

第四个模版是 Spark 的流处理框架 Structured Streaming。他会重点讲解 Structured Streaming 如何同时保证语义与数据的一致性，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，演示流处理中的典型计算场景。

相信经过这四个部分的“洗礼”，你能很快建立属于自己的 Spark 知识体系，彻底跨进了 Spark 应用开发的大门，最终成功交付一个满足业务需求、运行稳定、且执行性能良好的分布式应用，并能对大部分的数据应用需求都灵活应对。

说了那么多，看看目录吧：

磊哥的分享，最厉害的点就在于他的技术讲解非常通俗易懂，有种看武侠小说的感觉，即便我们面对的是一个全新的领域，也能在最短的时间内，做到零基础快速入门。

市面上关于 Spark 的课良莠不齐，像磊哥这样能带着你从 0 到 1 构建知识体系，甚至连源码都带逐句注释和讲解的，确实不多了。推荐给想要进入大数据领域或想对大数据基础查缺补漏的朋友，真的很值得一看。

老规矩，给大家申请了专属优惠：

新人首单 ¥59

立即享 5 折

原价 ¥129

戳海报免费试读⬇️

专栏里的内容，将 Spark 讲的清晰体系化，磊哥从项目入手，带你深入浅出玩转 Spark。让我们找到正确的发力点，真正把劲儿使对地方。

👇新人首单仅 ¥59

点击「阅读原文」，获取独家晋升涨薪秘籍！