SPARK: Администратор кластера Apache Spark

3х дневный интенсивный практический тренинг по знакомству с платформой для распределенной  обработки больших данных Apache Spark. В ходе лекций и лабораторных работы вы научитесь настраивать кластер Apache Spark для запуска задач на Scala и R при обработке больших массивов неструктурированных данных,  поймете разницу использования различных форматов хранения данных и использования RDD , dataframes и datasets; настраивать и анализировать данные в потоке Spark Streaming; интегрировать компоненты Apache Spark с другими компонентами экосистем Hadoop.

Соотношение теории к практике 40/60

Программа курса

1. Введение в Apache Spark
   • Сравнение Hadoop и Spark
   • Сравнение Batch, Real-Time и in-Memory  процессинг
   • Особенности Apache Spark
   • Компоненты Apache Spark экосистемы
2. Введение в RDD — Resilient Distributed Dataset
   • Что такое RDD
   • Особенности использования RDD, RDD lineage
   • Трансформация в Spark RDD
   • Lazy evaluation и отказоустойчивость в Spark
   • Использование Persistence RDD в памяти и на диске
   • Использование key-value пар (ReduceByKey,CountByKey,SortByKey,AggregateByKey)
   • Интеграция Hadoop с Spark
   • Выполнение базовых операций с Cloudera Manager.
3. Запуск задач в Apache Spark
   • Знакомство с Spark-shell
   • Выполнение задач в Apache Spark
   • Написание программ в Apache Spark
   • Чтение данных с локальной файловой системы и HDFS
   • Зависимости(Dependencies)
   • Кэширование данных в Apache Spark
   • Отказоустойчивость (Fault Tolerance)Хранение файлов в HDFS: сжатие, sequence файлы. Формат AVRO, RCfile, ORC, Parquet.
4. Управление ресурсами в кластере Apache Spark
   • Архитектура Apache Spark
   • Особенности управления ресурсами в автономном режиме кластера (Standalone)
   • Особенности управления ресурсами в режиме Hadoop кластера с YARN
   • Динамическое распределение ресурсов Dynamic Resource Allocation
   • Оптимизация Apache Spark: использование разделов (partition hash,range,map, static), управление расписанием (dynamic, fair scheduler), использование переменных (shared, broadcast) и аккумуляторов (accumulators)
   • Использование Catalyst Optimizer для оптимизации исполнения запросов
   • Project Tungsten — Оптимизация управления памятью и кэшом CPU
   • Импорт и обработка данных в кластере Hadoop
5. Потоковая обработка (Streaming) в Apache Spark
   • Потоковая обработка данных для аналитики больших данных
   • Особенности реализации потоковой обработки данных в Apache Spark
   • Основные концепции потоковой обработки
   • Аггрегированные и не аггрегированные запросы
   • Обработка событий Event Time, Window и Late Events (скользящее окно событий)
   • Поддержка последних событий (Late Events) в потоковой обработке данных в Apache Spark
   • Режимы работы Apache Spark с потоковыми данными