本课程是Spark Streaming的高级进阶课程，首先是深度剖析了Spark Streaming的源码，让同学们可以对Spark Streaming技术掌握的足够深入，理解的足够透彻。接着又基于Spark Streaming完成了多个企业级的项目实战，让大家可以在真正的项目中去掌握如何基于Spark Streaming来进行开发。
这些项目包含了：互联网公司用户流量实时大盘、广告系统实时数据平台、微博热点话题实时探测系统、微博社交关系实时挖掘平台、股票交易分析实时大盘、实时用户画像系统、实时个性化推荐系统。每个项目都包含了对应的技术架构、真实业务、高级算法，是不可多得的大数据实战课程。
课程大纲：
第一课：Spark Streamin深度源码剖析（上）
（1）Spark Streaming整体架构剖析
（2）基于Receiver+Kafka接收数据的源码剖析
（3）基于DStream生成RDD的源码剖析
（4）基于JobGenerator生成Job的源码剖析
第二课：Spark Streaming深度源码剖析（下）
（1）Spark Streaming Driver容错的源码剖析
（2）Spark Streaming Executor容错的源码剖析
（3）Spark Streaming State相关操作的源码剖析
（4）Spark Streaming Window相关操作的源码剖析
第三课：互联网公司用户流量实时大盘实战
（1）互联网用户流量分析业务介绍
（2）互联网用户流量分析架构设计：Spark Streaming+Kafka+HBase
（3）完成互联网用户流量指标体系的开发
（4）实时计算作业上线运维：部署、代码升级以及监控
（5）对Spark Streaming作业进行初步的性能优化
（6）基于前端展示用户流量分析大盘
第四课：广告系统实时数据平台架构实战（上）
（1）广告系统实时数据平台的业务介绍以及架构设计
（2）完成广告用户与客户价值的实时数据指标体系开发
（3）完成广告运营与营销活动的实时数据指标体系开发
（4）基于广告实时数据支持的点击率预测
（5）基于广告实时数据支持的精准广告营销
第五课：广告系统实时数据平台架构实战（下）
（1）广告系统实时数据平台架构优化设计
（2）基于Spark Streaming checkpoint实现全流程的容错机制
（3）基于Spark Streaming实现全流程的exatcly once语义
（4）基于Kafka实现数据不丢失的技术方案
（5）基于前端页面展示广告数据分析
第六课：微博热点话题实时探测系统架构实战（上）
（1）微博热点话题探测业务介绍
（2）微博热点话题探测系统架构设计
（3）基于Flume+Kafka完成实时微博数据的接入
（4）自己动手改进FP-Growth频繁集挖掘算法
（5）基于改进后的繁集挖掘算法完成热点话题的实时探测
第七课：微博热点话题实时探测系统架构实战（下）
（1）基于Spark自己动手实现word2vec算法
（2）基于自己实现的Spark word2vec算法实现关联热点话题挖掘
（3）基于Spark Streaming完成实时计算作业开发
（4）基于前端页面展示微博热点话题
第八课：微博社交关系实时挖掘平台实战（上）
（1）微博社交关系实时数据分析平台业务介绍以及架构设计
（2）Titan分布式图数据库介绍
（3）Cassandra分布式NoSQL数据库介绍
（4）Elasticsearch分布式搜索引擎介绍
（5）基于Spark Streaming+GraphX+Titan完成微博社交关系挖掘
第九课：微博社交关系实时挖掘平台实战（下）
（1）基于Spark Streaming+文本挖掘完成微博用户的情感分析
（2）基于Spark Streaming完成微博用户群分析
（3）基于Spark Streaming完成用户城市地图分析
（4）基于Spark Streaming完成热门话题趋势分析
（5）基于前端页面展示微博社交数据
第十课：股票交易分析实时大盘系统实战
（1）股票分析业务介绍
（2）实时股票分析大盘系统架构设计
（3）Druid分布式OLAP引擎介绍
（4）结合Spark Streaming + Druid完成股票数据实时分析
（5）结合Spark Streaming完成实时热门股票排行
（6）结合Spark Streaming完成实时股票走势预测
（7）基于前端页面展示股票分析数据
第十一课：实时用户画像系统架构实战
（1）实时用户画像组成分析
（2）实时用户画像的标签数据字典
（3）实时用户画像的兴趣度模型
（4）基于Spark Streaming实现一套实时用户画像系统
（5）基于ElasticSearch对实时用户画像数据进行分析
第十二课：实时个性化推荐系统架构实战（上）
（1）基于Flume+Kafka实现用户行为的实时采集与清洗
（2）基于实时用户画像构建数据仓库
（3）针对元数据库构建实时索引
（4）基于Spark Streaming完成第一个版实时个性化推荐系统
第十三课：实时个性化推荐系统架构实战（下）
