摘要：
1.分析SparkSQL出现的原因，并简述SparkSQL的起源与发展。 为了将SQL语句转为Spark应用程序，简化编程，Spark团队开发了Shark（Hive on Spark）。但由于Shark完全按照Hive设计，难以添加新的优化；并且，Spark线程级别并行，Mapreduce进程级别并 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 准备文件 下载小说或长篇新闻稿 上传到hdfs上 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f 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 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. map(func) 2. filter(func) 行动操作 1.foreach(print) 2.col 阅读全文
摘要：
1.Spark生态系统的组成及各组件的功能。 Spark Core 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。同时Spark Core提供了多种运行模式，不仅可以使用自身运行模式处理任务，如本地模式、Standalone，而且可以使用第三方资源调度框架来处理 阅读全文
摘要：
一、安装Spark 1.检查基础环境hadoop,jdk 2.下载spark 已下载 3.解压，文件夹重命名、权限 已解压，已安装 4.配置文件 5.环境变量 6.启动pyspark 二、Python编程练习：英文文本的词频统计 1.代码语句 2.结果显示 阅读全文
摘要：
一、Hadoop生态中的各个组件及功能 1.HDFS（分布式文件系统） HDFS是Hadoop体系中数据存储管理的基础，是Hadoop抽象文件系统的一种实现。Hadoop抽象文件系统可以与本地系统、Amazon S3 等集成，甚至可以通过Web协议来操作。 2.MAPREDUCE（分布式计算框架） 阅读全文