추가 적립 안내

창시자와 커미터가 직접 저술한 스파크 입문서 !

스파크를 만든 사람들이 쓴 이 책은 데이터 과학자들이나 엔지니어들이 곧바로 스파크를 쓸 수 있게 해 줄 것이다. 이 책을 통해 병렬 작업들을 코드 몇 라인으로만 실행하는 방법과 단순한 배치 프로그램부터 스트림 처리나 머신 러닝까지 다루는 프로그램의 제작 방법을 배울 수 있다.

창시자와 커미터가 직접 저술한 스파크 입문서 !

모든 분야에서 데이터는 점점 많아지고 있다. 어떻게 그 엄청난 데이터를 효과적으로 다룰 것인가? 이 책은 데이터 분석 작업을 빠르게 작성하고 실행하게 해 주는 오픈 소스 클러스터 컴퓨팅 시스템인 스파크를 소개한다. 스파크에서 파이썬, 자바, 스칼라로 제공되는 간단한 API들을 써서 방대한 데이터세트를 가볍게 처리할 수 있다.

스파크를 만든 사람들이 쓴 이 책은 데이터 과학자들이나 엔지니어들이 곧바로 스파크를 쓸 수 있게 해 줄 것이다. 이 책을 통해 병렬 작업들을 코드 몇 라인으로만 실행하는 방법과 단순한 배치 프로그램부터 스트림 처리나 머신 러닝까지 다루는 프로그램의 제작 방법을 배울 수 있다.

- 분산 데이터세트, 메모리 기반 캐싱, 대화형 셸 같은 스파크의 특징들을 빠르게 파고든다
- 스파크 SQL, 스파크 스트리밍, MLlib 같은 스파크의 강력한 내장 라이브러리를 효과적으로 쓸 수 있다
- 하이브, 하둡, 머하웃, 스톰 등 여러 도구를 혼용하고 연동하는 대신, 일관된 프로그래밍 개념을 사용한다
- 대화형, 배치, 스트리밍 애플리케이션들을 서버에 올리는 방법을 배운다
- HDFS, 하이브, JSON, S3 같은 데이터 소스에 연결할 수 있다
- 데이터 파티셔닝이나 공유 변수 같은 고급 개념들을 익힌다

[러닝 스파크]는 빅데이터 애플리케이션을 구축해 주는 가장 인기 있는 프레임워크 입문서를 찾는 사람들에게 내가 가장 추천하는 책이다.
- 벤 로리카(Ben Lorica) / 오라일리 미디어 수석 데이터 과학자

Chapter 1 스파크를 이용한 데이터 분석 소개
아파치 스파크란 무엇인가?
통합된 구성
스파크는 누가, 무엇을 위해 사용할까?
스파크의 간략한 역사
스파크의 버전과 릴리스
스파크의 저장소 계층

Chapter 2 스파크 맛보기
스파크 다운로드하기
스파크의 파이썬 셸과 스칼라 셸 소개
스파크의 핵심 개념 소개
단독 애플리케이션
요약

Chapter 3 RDD로 프로그래밍하기
RDD 기초
RDD 생성하기
RDD의 연산
스파크에 함수 전달하기
많이 쓰이는 트랜스포메이션과 액션
영속화(캐싱)
요약

Chapter 4 키/값 페어로 작업하기
배경
페어 RDD 생성
페어 RDD의 트랜스포메이션
페어 RDD에서 쓸 수 있는 액션
데이터 파티셔닝(고급)
요약

Chapter 5 데이터 불러오기/저장하기
배경
파일 포맷
파일 시스템
스파크 SQL로 구조화 데이터 다루기
데이터베이스
요약

Chapter 6 고급 스파크 프로그래밍
소개
어큐뮬레이터
브로드캐스트 변수
파티션별로 작업하기
외부 프로그램과 파이프로 연결하기
수치 RDD 연산들
요약

Chapter 7 클러스터에서 운영하기
소개
스파크 실행 구조
spark-submit을 써서 애플리케이션 배포하기
사용자 코드와 의존성 라이브러리 패키징하기
스파크 애플리케이션 간의 스케줄링
클러스터 매니저
어떤 클러스터 매니저를 써야 할까?
요약

Chapter 8 스파크 최적화 및 디버깅
SparkConf로 스파크 설정하기
실행을 구성하는 것: 작업, 태스크, 작업 단계
정보 찾기
성능에 관한 핵심 고려 사항
요약

Chapter 9 스파크 SQL
스파크 SQL 라이브러리 링크
애플리케이션에서 스파크 SQL 사용하기
데이터 불러오고 저장하기
JDBC/ODBC 서버
사용자 정의 함수
스파크 SQL 성능
요약

Chapter 10 스파크 스트리밍
간단한 예제
아키텍처와 추상 개념
트랜스포메이션
출력 연산
입력 소스
24/7 운영
스트리밍 UI
성능 고려 사항
요약

Chapter 11 MLlib로 해 보는 머신 러닝
개요
시스템 요구 사항
머신 러닝의 기초
데이터 타입
알고리즘
팁과 성능 고려 사항
파이프라인 API
요약

찾아보기

이 입문서는 스파크를 빠르게 익히고 실행할 수 있도록 쓰였다. 이 책을 통해서 자신의 PC에 스파크를 다운로드하여 실행하고, API를 배우기 위해 명령어들을 입력하고 그 결과를 볼 수 있을 것이다. 그리고 일단 그 정도 시점이 되면 가능한 작업의 세부 사항과 분산 실행에 대해 다루고, 최종적으로는 스파크에 내장된 머신 러닝, 스트림 처리, SQL 등의 고수준 라이브러리를 둘러보게 될 것이다. 한 대의 컴퓨터든 수백 대로 구성된 클러스터든 데이터 분석에 관한 문제를 맞닥뜨렸을 때, 우리는 이 책이 그 문제를 빠르게 해결할 수 있는 도구가 되기를 바란다.
(/ p.XV)

스파크는 작업 노드에서는 데이터를 메모리에 올려 처리할 수 있어서 많은 분산 작업들, 심지어 십수 대의 머신에서 테라바이트(terabyte) 단위의 데이터를 처리하는 것도 몇 초 만에 끝낼 수 있다. 이런 높은 성능 덕분에 일반적으로 셸에서 수행하게 되는 반복적인 일회성, 탐색적 분석 같은 종류의 작업을 스파크에서 수행하는 것도 적절하다. 스파크는 클러스터 연결을 잘 지원하는 기능을 가진 파이썬과 스칼라 셸을 지원한다.
(/ p.14)

이번 장에서는 스파크에서 가장 흔하게 쓰이는 트랜스포메이션과 액션들에 대해 알아본다. 특별한 데이터 타입을 취급하는 RDD를 위한 추가적인 연산들도 존재한다. 예를 들면, 통계 함수들이나 키/값 페어(key/value pair)를 다루는 RDD에서 키를 기준으로 데이터를 집계하는 키/값 연산 같은 것들이 있다. RDD 타입에 따라 변환하는 방법과 이런 특별한 연산들은 후반부에 다룬다.
(/ p.43)

오브젝트 파일이 자바 직렬화를 사용한다는 것에는 몇 가지 주의가 필요하다. 일반적인 시퀀스 파일과는 달리 결과 파일이 하둡에서 동일 객체를 출력한 것과는 다르다. 다른 포맷들과는 다르게 오브젝트 파일은 거의 스파크 내에서 스파크 작업들끼리 통신하기 위한 용도로 많이 쓰인다. 게다가 자바 직렬화는 느리다.
(/ p.102)

스파크를 최적화하고 디버깅하기 위한 첫 번째 단계는 스파크 시스템의 내부 설계를 좀 더 깊이 이해하는 것이다. 이전 장들에서 RDD와 파티션 등에 대한 "논리적인" 관점에서의 표현들을 보아 왔다. 실행하면서 스파크는 이 논리적 표현들을 여러 개의 연산들을 태스크로 합쳐서 물리적인 실행 계획으로 바꾼다. 스파크 실행의 전체적인 형태를 이해하는 것은 이 책의 범위를 벗어나지만, 관련된 개념들이 엮이는 단계들에 대해 올바른 이해를 가지는 것은 작업을 최적화하고 디버깅하는 데에 도움이 된다.
(/ p.174)