零基础入门Spark

00 开篇词 入门Spark，你需要学会“三步走”

01 Spark：从“大数据的Hello World”开始

02 RDD与编程模型：延迟计算是怎么回事？

03 RDD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是性能瓶颈？

07 RDD常用算子（二）：Spark如何实现数据聚合？

08 内存管理：Spark如何使用内存？

09 RDD常用算子（三）：数据的准备、重分布与持久化

10 广播变量 & 累加器：共享变量是用来做什么的？

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？

13 Spark SQL：让我们从“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：都有哪些Join策略，开发者该如何取舍？

19 配置项详解：哪些参数会影响应用程序执行性能？

20 Hive + Spark强强联合：分布式数仓的不二之选

21 Spark UI（上）：如何高效地定位性能问题？

22 Spark UI（下）：如何高效地定位性能问题？

23 Spark MLlib：从“房价预测”开始

24 特征工程（上）：有哪些常用的特征处理函数？

25 特征工程（下）：有哪些常用的特征处理函数？

26 模型训练（上）：决策树系列算法详解

27 模型训练（中）：回归、分类和聚类算法详解

28 模型训练（下）：协同过滤与频繁项集算法详解

29 Spark MLlib Pipeline：高效开发机器学习应用

30 Structured Streaming：从“流动的Word Count”开始

31 新一代流处理框架：Batch mode和Continuous mode哪家强？

32 Window操作&Watermark：流处理引擎提供了哪些优秀机制？

33 流计算中的数据关联：流与流、流与批

34 Spark + Kafka：流计算中的“万金油”

用户故事 小王：保持空杯心态，不做井底之蛙

结束语 进入时间裂缝，持续学习