本书是作者基于其在Uber跟踪团队担任技术主管时的个人经历而写的。本书分4部分共14章，内容包括：为什么需要分布式跟踪、跟踪一次HotROD之旅、分布式跟踪基础、OpenTracing的埋点基础、异步应用程序埋点、跟踪标准与生态系统、使用服务网格进行跟踪、关于采样、跟踪的价值、分布式上下文传播、集成指标与日志、通过数据挖掘提炼洞见、在大型组织中实施跟踪、分布式跟踪系统的底层架构。希望读者能通过本书了解分布式跟踪及其相关应用的基本原则和设计思路，从而找到将其应用到自己的项目和系统中的有效方法。本书

Spark作为新兴的、应用范围广泛的大数据处理开源框架，吸引了大量的大数据分析与挖掘从业人员进行相关内容的学习与开发，其中ML是Spark3.0机器学习框架使用的核心。本书用于Spark3.0ML大数据分析与挖掘入门，配套示例源码、PPT课件、数据集、思维导图、开发环境和作者答疑服务。本书共分13章，从Spark3.0大数据分析概述、基础安装和配置开始，依次介绍ML的DataFrame、ML的基本概念，以及协同过滤、线性回归、分类、决策树与随机森林、聚类、关联规则、数据降维、特征提取和转换等数据

我们每天都要接触大量资料：短信、邮件、微信、发票、订单、股票价格、天气预报、员工资料、原材料存量、应收账款……这些都是数据。我们每人每天都生活在数据的海洋中，无论是工作还是生活，都离不开数据，离不开手机、电脑，乃至承载大数据的云端。没有它们，我们根本无法正常工作与生活。但所有这些数据在特定的时空下都同样有用吗？你曾否在做某项决策时不知道如何在海量的数据中筛选出少量真正有助于你做正确决策的东西？这就是信息。在数据的海洋中，我们寻找那些有助于我们解决问题的信息，这就好比“大海捞针”。本书就是告诉你怎

本书由资深大数据专家精心编写，循序渐进地介绍了Flink生态系统主流的大数据开发技术。全书共7章，第1章讲解Flink的基础知识，包括Flink应用场景、主要组件、编程模型等，最后通过一个单词计数示例带领读者快速体验Flink应用程序的编写；第2、3章讲解Flink的多种运行时架构、任务调度原理、数据分区以及Flink集群的安装部署，同时包括Flink命令行操作、应用程序提交、常用Shell命令等；第4～7章讲解了Flink流式计算DataStreamAPI、关系型计算Table&SQLAPI以

业务架构是跨系统的业务蓝图，应用架构、数据架构、技术架构是解决方案的不同方面。多年来，业界已在业务架构、应用架构、数据架构、技术架构方面积累了大量经验。近几年，数字化转型更是呼唤“懂行人”打通四种架构，确保技术支撑业务、业务支撑战略。本书的主要内容即在于此。首先，解读战略、业务架构、应用架构、数据架构、技术架构五者的对应岗位、产物、脉络关系。然后，结合大案例，详探下列实战法：战略驱动的业务架构设计；业务驱动的应用架构设计；业务驱动的数据架构设计；业务和技术趋势双轮驱动的技术架构设计。再后，分享业

本书基于Flink的稳定版本1.13，从Flink数据处理思想开始讲解，带领读者深入理解Flink的基本架构，进而由浅入深，结合具体案例，详细剖析了Flink中DataStreamAPI的使用，并对Flink中的时间语义、状态、容错机制等重要概念进行了详尽的阐述。另外，本书还对实际开发中常用的FlinkSQL、CEP等高层级API进行了细致的讲解，以电商网站中的实际应用为场景，提供了大量的代码实现。本书分为三大部分：第1～5章，带领读者初步认识Flink并编写基本的Flink程序；第6～10章，

本书共8章，内容主要包括Spark概述及入门实战，Spark的作业调度和资源分配算法，SparkSQL、DataFrame、Dataset的原理和实战，深入理解Spark数据源，流式计算的原理和实战，亿级数据处理平台Spark性能调优，Spark机器学习库，Spark3.0的新特性和数据湖等。 本书适合Spark开发人员和Spark运维人员阅读。

《精通Hadoop3》详细阐述了与Hadoop3相关的基础知识，主要包括Hadoop3简介、深入理解Hadoop分布式文件系统、YARN资源管理器、MapReduce内部机制、Hadoop中的SQL、实时处理引擎、Hadoop生态圈组件、定义Hadoop中的应用程序、Hadoop中的实时流处理、Hadoop中的机器学习、云端中的Hadoop、Hadoop集群分析、Hadoop中的角色及其执行内容、网络和数据安全、监测Hadoop等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关

大数据分析与挖掘已经广泛应用于各行各业。本书以项目实践为基础，对大数据分析与挖掘的基础知识进行了介绍，总结了机器学习、大数据分析与挖掘过程、数据分析挖掘框架和库，分析了当前的研究热点与前沿技术。为了增强本书的实用性、提高读者的动手能力，本书结合案例讨论了爬虫与数据处理、Echarts和Python可视化、描述性分析、并联分析、回归与分类、聚类、序列挖掘等基本方法的实现与实践。本书结合实际案例，探讨了文本分析、主题模型、推荐系统、知识图谱、情感分析等高级实现与实践。此外，本书还介绍了大数据分析与挖

本书系统介绍数据科学的核心概念、基本方法和关键技术，内容涵盖数据科学的导向目标，涉及科学计算、数据处理和分析、数据可视化等关键知识环节。本书基于Python技术框架实现，内容注重理论和实践的有机融合，克服单调、晦涩的知识累积之苦，以问题为导向，学以致用，提供了大量的案例代码和样本数据集，可以为学习者平添几分学习的乐趣。本书既适用于高等院校“数据科学与大数据技术”专业人才的基础培养，也适用于信息处理相关专业人才的能力提升，能够为数据科学从业者和相关学科的科研工作者提供必要的技术支撑。