★ 이 책에서 다루는 내용 ★ ■ 빅데이터 및 하둡 에코 시스템에서 스파크의 진화하는 역할 이해 ■ 다양한 배포 모드를 사용해 스파크 클러스터 생성 ■ 스파크 클러스터 및 응용 프로그램의 제어 및 최적화 ■ 마스터 스파크 코어 RDD API 프로그래밍 기술 ■ 공유 변수, RDD 스토리지 및 파티셔닝을 포함한 고급 APl 플랫폼 구성으로 스파크 루틴을 확장, 가속 및 최적화 ■ SQL 및 비관계형 데이터 저장소로 스파크를 효율적으로 통합 ■ 스파크 스트리밍 및 아파치 카프카를 사용한 스트림 처리 및 메시징 수행 ■ SparkR 및 스파크 Mllib를 사용한 예측 모델링 구현 ★ 이 책의 대상 독자 ★ 빅데이터 분야에 입문하거나 축적한 지식을 이 영역에 통합하려는 데이터 분석가 및 엔지니어를 대상으로 하는 책이다. 스파크는 빅데이터에 탁월한 프로세싱 프레임워크로서 현재 빅데이터 분야에서 전문적인 기술을 보유한 엔지니어가 많이 사용하고 있다. 파이썬 프로그래밍 경험이 있는 사람이라면 이 책을 볼 때 더 이해하기 쉬우므로 파이썬에 관한 경험은 유용하지만, 반드시 필요한 것은 아니다. 데이터 분석 및 조작과 관련한 훌륭한 실무 지식도 도움이 될 수 있다. 특히 빅데이터 영역으로 커리어를 확장하고자 하는 데이터 웨어하우스 전문가에게 적합하다. ★ 이 책의 구성 ★ 1부, ‘스파크 기초’에서는 스파크를 배치하는 방법, 기본적인 데이터 처리 작업을 위해 스파크의 사용법을 확실하게 이해하도록 설계된 네 개의 장이 포함돼 있다. 1장, ‘빅데이터, 하둡 및 스파크 소개’에서는 스파크 프로젝트의 기원과 진화를 비롯해 빅데이터 에코 시스템에 대한 개념을 설명한다. 스파크 프로젝트의 핵심 속성은 스파크가 무엇인지, 어떻게 사용되는지, 하둡 프로젝트와는 어떤 관련이 있는지 등을 설명한다. 2장, ‘스파크 배포’에서는 다양한 스파크 클러스터 배포 모드와 스파크를 활용하는 다양한 방법을 포함해 스파크 클러스터를 배포하는 방법을 보여 준다. 3장, ‘스파크 클러스터 아키텍처의 이해’에서는 스파크 클러스터 및 응용 프로그램의 작동 방식에 관해 설명하고 스파크의 작동 방식을 확실히 이해하도록 돕는다. 4장, ‘스파크 프로그래밍 기초 학습’에서는 탄력적인 분산 데이터 세트(RDD, Resilient Distributed Dataset) API를 사용해서 스파크의 블록으로 구성된 기본 프로그래밍에 대해 중점적으로 다룬다. 2부, ‘스파크 응용’에서는 스트리밍 응용 프로그램, 데이터 과학 및 머신 러닝과 함께 사용되는 스파크 코어의 확장 및 응용에 관해 다음 네 개의 장에서 다룬다. 5장, ‘스파크 코어 API를 사용한 고급 프로그래밍’에서는 다양한 공유 변수 및 RDD 스토리지, 파티션 개념 및 구현을 포함해서 스파크 루틴을 확장, 가속, 최적화하는 데 사용되는 고급 구문을 설명한다. 6장, ‘스파크로 SQL 및 NoSQL 프로그래밍하기’에서는 스파크가 방대한 SQL 환경 및 비관계형 저장소와 통합하는 것에 관해 설명한다. 7장, ‘스파크를 사용한 스트림 처리 및 메시징’에서는 스파크 스트리밍 프로젝트와 기본 DStream 객체를 소개한다. 또한 스파크를 아파치 카프카와 같은 대중적인 메시징 시스템과 함께 사용하는 방법도 다룬다. 8장, ‘스파크를 사용한 데이터 과학 및 머신 러닝 소개’에서는 스파크에서 머신 러닝을 구현하는 데 사용되는 스파크 MLlib 하위 프로젝트뿐만 아니라 R과 스파크를 함께 사용하는 예측 모델링에 관해 소개한다.

1부. 스파크 기초 1장. 빅데이터, 하둡 및 스파크 소개 __빅데이터, 분산 컴퓨팅 및 하둡 소개 ____빅데이터와 하둡의 간략한 역사 ____하둡 __아파치 스파크 소개 ____아파치 스파크 배경 ____스파크 사용 ____스파크 프로그래밍 인터페이스 ____스파크 프로그램의 제출 유형 ____스파크 응용 프로그램의 입력/출력 유형 ____스파크 RDD ____스파크와 하둡 __파이썬을 이용한 함수 프로그래밍 ____파이썬 함수 프로그래밍에서 사용되는 데이터 구조 ____파이썬 객체 직렬화 ____파이썬 함수형 프로그래밍 기초 __요약 2장. 스파크 배포 __스파크 배포 모드 ____로컬 모드 ____스파크 독립실행형 ____얀에서의 스파크 ____메소스에서의 스파크 __스파크 설치 준비 __스파크 가져오기 __리눅스나 맥 OS X에서 스파크 설치하기 __윈도우에 스파크 설치하기 __스파크 설치 탐색 __다중노드(Multi-Node) 스파크 독립실행형 클러스터 배포 __클라우드에서 스파크 배포 ____아마존 웹 서비스 ____구글 클라우드 플랫폼 ____데이터브릭스 __요약 3장. 스파크 클러스터 아키텍처의 이해 __스파크 응용 프로그램의 해부 ____스파크 드라이버 ____스파크 작업자 및 실행자 ____스파크 마스터와 클러스터 매니저 __독립실행형 스케줄러를 사용하는 스파크 응용 프로그램 ____얀에서 실행되는 스파크 응용 프로그램 __얀에서 실행되는 스파크 응용 프로그램의 배포 모드 ____클라이언트 모드 ____클러스터 모드 ____로컬 모드 재검토 __요약 4장. 스파크 프로그래밍 기초 학습 __RDD의 소개 __RDD에 데이터 로드하기 ____하나 이상의 파일에서 RDD 생성하기 ____하나 이상의 텍스트 파일에서 RDD를 만드는 방법 ____오브젝트 파일에서 RDD 만들기 ____데이터 소스에서 RDD 만들기 ____JSON 파일에서 RDD 만들기 ____프로그래밍 방식으로 RDD 생성하기 __RDD 연산 ____주요 RDD 개념 ____기본 RDD 변환 ____기본 RDD 액션 ____PairRDD의 변환 ____맵리듀스 및 워드 카운트(Word Count) 연습 ____조인(Join) 변환 ____스파크에서 데이터세트 조인하기 ____세트(Sets)의 변환 ____숫자(numeric) RDD의 변환 __요약 2부. 스파크 응용 5장. 스파크 코어 API를 사용한 고급 프로그래밍 __스파크의 공유변수 ____브로드캐스트 변수 ____어큐뮬레이터 ____연습: 브로드캐스트 변수 및 어큐뮬레이터 사용 __스파크의 데이터 파티셔닝 ____파티셔닝 개요 ____파티션 제어 ____함수 재분할 ____파티션 별 또는 파티션 인식 API 메소드 __RDD 저장 옵션 ____RDD 리니지 재검토 ____RDD 저장 옵션 ____RDD 캐싱 ____RDD 유지 ____RDD를 유지하거나 캐시할 시기 선택하기 ____RDD 체크포인트 지정 ____연습: RDD 체크포인트 __외부 프로그램으로 RDD 처리하기 __스파크를 사용해 데이터 샘플링하기 __스파크 응용 프로그램 및 클러스터 구성 이해하기 ____스파크 환경변수 ____스파크 구성 속성 __스파크 최적화하기 ____초기 필터, 자주 필터 ____연관연산 최적화하기 ____함수 및 클로저의 영향 이해하기 ____데이터 수집을 위한 고려 사항 ____응용 프로그램 조정 및 최적화를 위한 구성 매개변수 ____비효율적인 파티셔닝 피하기 ____응용 프로그램 성능 문제 진단하기 __요약 6장. 스파크로 SQL 및 NoSQL 프로그래밍하기 __스파크 SQL 소개 ____하이브 소개 ____스파크 SQL 아키텍처 ____데이터프레임 시작하기 ____데이터프레임 사용 ____캐싱, 지속 및 데이터프레임 재구성 ____데이터프레임 출력 저장 ____스파크 SQL 액세스하기 ____연습: 스파크 SQL 사용하기 __NoSQL 시스템에서 스파크 사용하기 ____NoSQL 소개 ____HBase와 스파크 사용하기 ____연습: HBase로 스파크 사용하기 ____카산드라와 함께 스파크 사용하기 ____DynamoDB에서 스파크 사용하기 ____기타 NoSQL 플랫폼 __요약 7장. 스파크를 사용한 스트림 처리 및 메시징 __스파크 스트리밍 소개 ____스파크 스트리밍 아키텍처 ____DStream 소개 ____연습: 스파크 스트리밍 시작하기 ____State 연산 ____슬라이딩 윈도우 연산 __구조화된 스트리밍 ____구조화된 스트리밍 데이터 소스 ____구조화된 스트리밍 데이터 싱크 ____출력 모드 ____구조화된 스트리밍 연산 __메시징 플랫폼에서 스파크 사용 ____아파치 카프카 ____연습: 카프카와 스파크 사용하기 ____아마존 킨시스 __요약 8장. 스파크를 사용한 데이터 과학 및 머신 러닝 소개 __스파크 및 R ____R 소개 ____R에 스파크 사용하기 ____연습: SparkR과 함께 RStudio 사용하기 __스파크로 머신 러닝하기 ____머신 러닝 입문서 ____스파크 MLlib를 사용한 머신 러닝 ____연습: 스파크 MLlib를 사용해서 Recommender 구현하기 ____스파크 ML을 사용한 머신 러닝 __스파크와 함께 노트북 사용하기 ____주피터(IPython) 노트북과 스파크 사용하기 ____스파크에서 아파치 제플린 노트북 사용하기 __요약

★ 옮긴이의 말 ★ 빅데이터는 기존의 응용 프로그램으로는 효과적으로 처리할 수 없는 엄청난 양의 데이터를 말합니다. 혹자는 빅데이터를 이렇게 정의하기도 합니다. “빅데이터란 인사이트와 의사결정, 자동화 과정을 강화할 수 있는 정보 처리 과정의 혁신적인 형태이며, 높은 비용 효율을 요구하고 방대하며, 빠르고 다양한 형태의 정보 자산(assets)이다.” 즉, 빅데이터를 효과적으로 분석하면 혁신적인 인사이트를 발견하고 데이터 기반의 효과적인 의사결정을 내릴 수 있습니다. 최근에는 대기업, 스타트업 기업 등 대부분의 기업이 데이터 분석에 관심을 갖고 이와 관련된 분석 기술을 도입하고 있습니다. 이 책에서는 이러한 분석 기술들에 대한 배경과 전반적인 지식을 제공하며, 그중에서도 스파크에 관해서 집중적으로 다룹니다. 스파크 이전에 빅데이터를 다룰 때 가장 근간이 되는 기술 중 하나는 하둡의 맵리듀스(MapReduce)입니다. 맵리듀스는 슈퍼컴퓨터 없이 여러 대의 서버를 연결해 빅데이터 분석을 가능하게 한 오픈소스 프레임워크입니다. 하지만 기술이 발전하고 빠른 분석 속도를 요구하는 시스템이 늘어나면서 단점들이 나타나기 시작했습니다. 그래서 대안으로 나온 것이 스파크(Spark)입니다. 스파크는 맵리듀스처럼 분산 처리를 수행하지만, 메모리를 활용해 빠르게 데이터를 처리하는 것이 특징입니다. 따라서 스파크는 스트리밍 데이터 처리 같은 실시간 처리와 머신 러닝을 통한 애플리케이션과의 복합적 운영이 필요할 때 적합합니다. 예를 들어, 스파크를 활용하면 실시간 타깃마케팅과 고객 분석 및 추천이 가능해집니다. 이 책에서는 프로그래밍 언어로 파이썬을 채택해서 실습할 수 있도록 기술돼 있습니다. 파이썬은 데이터 분석을 위한 프로그래밍 언어로서 가장 대중적이고 직관적인 언어 중 하나입니다. 파이썬 기초 문법을 익혀 두면 예제를 이해하는 데 많은 도움이 될 것입니다. 데이터 분석을 위한 기술은 계속 발전해 나갈 것이며, 특히 그중에서도 스파크 생태계는 더욱 성장할 전망입니다. 이 책을 통해 개발자, 데이터 분석가, 데이터 과학자가 되고 싶은 많은 이에게 도움이 되었으면 합니다. 미흡하지만 좀 더 매끄럽고 정확한 의미 전달이 되도록 하기 위해 최선을 다하였으나 미비한 점은 출간 후에도 계속해서 보완하고자 합니다.