摘要：
综合练习：学生课程分数 网盘下载sc.txt文件，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: 数据准备： 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>95分的学生人数 课程'Python'有 阅读全文
摘要：
1.请分析SparkSQL出现的原因，并简述SparkSQL的起源与发展 Hadoop刚开始出来的时候，使用的是hadoop自带的分布式计算系统MapReduce，但是MapReduce的使用难度较大，所以就开发了Hive，Hive编程用的是类SQL的HQL的语句，这样编程的难度就大大的降低了，Hi 阅读全文
摘要：
集合运算联系（union\intersection\subtract\cartesian) 内连接与外连接(join\left\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：学生课程分数 网盘下载sc.txt文件，通过RDD操作实 阅读全文
摘要：
一、词频统计 A.分步骤实现 1.准备文件读文件创建RDD 下载小说或长篇新闻稿 上传到hdfs上 2.分词文件传入 3.排除大小写，标点符号，停用词，长度小于2的词 排除标点符号： 大小写： 停用词： 长度小于2： 4.统计词频 5.排序 6.输出到文件 7.查看结果 B.一句话实现：文件入文件出 阅读全文
摘要：
一、 RDD创建 环境启动、文件准备： 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 不同语句： 3.通过并行集合（列表）创建RDD ps:不知为何会存在一定乱序 二、 RDD操作 1.转换操作 1.filter： 2.map: 3.flatMap: 4.groupByK 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。 组件介绍 1 . Spark Core：Spark的核心组件，其操作的数据对象是RDD（弹性分布式数据集）图中在Spark Core上面的四个组件都依赖于Spark Core，可以简单 阅读全文
摘要：
一、安装Spark 环境配置： 启动spark： 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 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 思路：先读取文件文本内容，使用循环将内容中的每一个标点符号替换为 阅读全文
摘要：
一.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：它是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。它具有很好的容错能力，可以兼容廉价的硬件设备。它采用了主从结构模型，一个HDFS集群包括一个名称 阅读全文