摘要： 1.分析SparkSQL出现的原因，并简述SparkSQL的起源与发展。 一、spark产生的目的 spark产生：为了替代Mapreduce，解决Mapreduce计算短板Hadoop生态体系：hdfs+zokeeper +mareduce/hive+hbase+storm+mahot+其他 工具 阅读全文

摘要： 集合运算练习 union()， intersection()，subtract(), cartesian() 内连接与外连接 join(), leftOuterJoin(), rightOuterJoin(), fullOuterJoin() 多个考勤文件，签到日期汇总，出勤次数统计 三、综合练习： 阅读全文

摘要： 一、词频统计 A. 分步骤实现 1.准备文件 1.下载小说或长篇新闻稿 2.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 阅读全文

摘要： 一、 RDD创建 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 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.filter(func) 显式定义函数 lambda 阅读全文

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。 以下简要介绍BDAS的各个组成部分。 1. Spark CoreSpark Core是整个BDAS的核心组件，是一种大数据分布式处理框架，不仅实现了MapReduce的算子map函数和 阅读全文

摘要： 一、安装Spark 检查基础环境hadoop,jdk 下载spark 解压，文件夹重命名、权限 配置文件 环境变量 试运行Python代码 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 with open("Under the Red Drag 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）Hadoop分布式文件系统 源自于Google的GFS论文，发表于2003年10月，HDFS是GFS克隆版。 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（fa 阅读全文