摘要： 综合练习：学生课程分数 网盘下载sc.txt文件，分别创建RDD、DataFrame和临时表/视图； 分别用RDD操作、DataFrame操作和spark.sql执行SQL语句实现以下数据分析: 总共有多少学生？ 总共开设了多少门课程？ 每个学生选修了多少门课？ 每门课程有多少个学生选？ 每门课程> 阅读全文

摘要： 1.分析SparkSQL出现的原因，并简述SparkSQL的起源与发展 SparkSQL出现的原因 Spark SQL 抛弃原有 Spark 的架构方式，但汲取了 Spark 的一些优点，如内存列存储( In-Memory Columnar Storage )、 Hive 兼容性等，重新开发了 SQ 阅读全文

摘要： 持久化 scm.cache() 总共有多少学生？map(), distinct(), count() 开设了多少门课程？ 生成（姓名，课程分数）键值对RDD，观察keys(),values() 每个学生选修了多少门课？map(), countByKey() 每门课程有多少个学生选？map(), co 阅读全文

摘要： 一、词频统计 A:分步骤实现 1.准备文件 下载小说或长篇新闻稿 上传到hdfs上 2.读文件创建RDD 3.分词 4.排除大小写lower()，map() 标点符号re.split(pattern,str)，flatMap() 停用词,可网盘下载stopwords.txt,filter() 长度小 阅读全文

摘要： 一、 RDD创建 1、从本地文件系统中加载数据创建RDD 2、从HDFS加载数据创建RDD 启动hdfs 上传文件 查看文件 停止hdfs 3、通过并行集合（列表）创建RDD 输入列表 字符串 numpy生成数组 二、 RDD操作 转换操作 1.转换操作 1.filter(func) 显式定义函数 阅读全文

摘要： 1、图文阐述Spark生态系统的组成及各组件的功能。 1.1、Spark Core： Spark核心组件，它实现了Spark的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。Spark Core中还包含了对弹性分布式数据集(Resilient Distributed Dataset 阅读全文

摘要： 1、检查基础环境hadoop,jdk 2、下载spark（省略，原来已下好Spark） 3、解压，文件夹重命名、权限（省略，原来已下好Spark） 4、配置文件 5、环境变量 6、试运行Python代码 二、Python编程练习：英文文本的词频统计 1、准备文本文件 2、读文件 path='/hom 阅读全文

摘要： 1.列举Hadoop生态的各个组件及其功能、以及各个组件之间的相互关系，以图呈现并加以文字描述。 （1）HDFS（分布式文件系统） HDFS是整个hadoop体系的基础，负责数据的存储与管理。HDFS有着高容错性（fault-tolerant）的特点，并且设计用来部署在低廉的（low-cost）硬件 阅读全文