摘要： 1.请分析SparkSQL出现的原因，并简述SparkSQL的起源与发展。 Spark SQL 的前身是 Shark ，即"Hive on Spark"，由 Reynold Xin 主导开发。 Shark 项目最初启动于 2011 年，当时 Hive 几乎算是唯一的 SQL-on-Hadoop 选择 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 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 准备环境：开启HDFS、Pyspark。 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 本地上传文件至HDFS 查看文件 RDD加载 3.通过并行集合（列表）创建RDD 数组 字符串 二、 RDD操作 A.转换操作 1.filter(func)传入lam 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。 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建立在统一的抽象RDD之上，使其 阅读全文

摘要： 一、安装spark 1.基础环境——环境准备检查 2. 配置环境变量 3.配置相关文件 4.运行pyspark 5.在pyspark中运行代码 Python实现英文文本的词频统计 1.准备文本文件 2.读文件 txt = open("fit.txt", "r",encoding='UTF-8').r 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 HDFS是Hadoop两大核心组成部分之一，提供了在廉价服务器集群中进行大规模分布式文件存储的能力。HDFS不仅具有很好的容错能力，并且兼容廉价的硬件设备，因此，可以以较低的成本利用现有 阅读全文