摘要: 1.请分析SparkSQL出现的原因,并简述SparkSQL的起源与发展。 1.1 SparkSQL出现的原因 SparkSQL出现是因为关系数据库已经不能满足各种在大数据时代新增的用户需求。首先,用户需要在不同的结构化和非结构化数据中执行各种操作。 其次,用户需要执行像机器学习和图像处理等等高级分 阅读全文
posted @ 2022-05-11 20:05 WGL_4intheM 阅读(67) 评论(0) 推荐(0) 编辑
摘要: union() intersection() subtract() cartesian() 内连接与外连接 join() leftOuterJoin() rightOuterJoin() fullOuterJoin() 三、综合练习:学生课程分数 网盘下载sc.txt文件,通过RDD操作实现以下数据 阅读全文
posted @ 2022-04-20 15:32 WGL_4intheM 阅读(17) 评论(0) 推荐(0) 编辑
摘要: 一、词频统计 A. 分步骤实现 1准备文件 2下载小说或长篇 3上传到hdfs上 4读文件创建RDD 分词 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(), 长度小于2的词 阅读全文
posted @ 2022-04-08 18:26 WGL_4intheM 阅读(10) 评论(0) 推荐(0) 编辑
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 加载 停止hdfs 1.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 filter(func) 显式定义函数 lambda函 阅读全文
posted @ 2022-03-22 00:28 WGL_4intheM 阅读(39) 评论(0) 推荐(0) 编辑
摘要: 1.Spark已打造出结构一体化、功能多样化的大数据生态系统,请用图文阐述Spark生态系统的组成及各组件的功能。 Spark Core :是整个BDAS 生态系统的核心组件,是一个分布式大数据处理框架。Spark Core提供了多种资源调度管理,通过内存计算、有向无环图(DAG)等机制保证分布式计 阅读全文
posted @ 2022-03-11 23:17 WGL_4intheM 阅读(123) 评论(0) 推荐(0) 编辑
摘要: 一、安装Spark 1.检查基础环境hadoop,jdk 运行pyspark命令 二、Python编程练习:英文文本的词频统计 准备文本文件 读文件 预处理:大小写,标点符号,停用词 分词 统计每个单词出现的次数 按词频大小排序 结果写文件 阅读全文
posted @ 2022-03-05 23:15 WGL_4intheM 阅读(24) 评论(0) 推荐(0) 编辑
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。 ①HDFS(分布式文件系统):HDFS是整个hadoop体系的基础 。 功能: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 阅读全文
posted @ 2022-02-27 14:01 WGL_4intheM 阅读(57) 评论(1) 推荐(0) 编辑