L枝溪

摘要： 1.请用图文阐述Spark生态系统的组成及各组件的功能 2.请详细阐述Spark的几个主要概念及相互关系： Master, Worker; RDD,DAG; Application, job,stage,task; driver,executor,Claster Manager DAGSchedul 阅读全文

摘要： 1.分析SparkSQL出现的原因，并简述SparkSQL的起源与发展。 原因：设计一个统一的计算引擎解决所有的各类型计算，包含计算类型: 1.离线批处理； 2.交互式查询 3.图计算 4.流失计算 5.机器学习/迭代计算 6.Spark R 科学计算，数据分析 Shark 建立在 Hive 代码的 阅读全文

摘要： 集合运算练习 union()， intersection()，subtract(), cartesian() 三、学生课程分数 网盘下载sc.txt文件，通过RDD操作实现以下数据分析: 持久化 stu.cache() 总共有多少学生？map(), distinct(), count() 开设了多少 阅读全文

摘要： 一、词频统计 A.分步骤实现 1.准备文件 a.下载小说或长篇新闻稿 直接复制小说粘贴到txt文件 b.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stopwo 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RD从HDFS加载数据创建RDD 2.启动hdfs 3.上传文件 4.查看文件 5.停止hdfs 6.通过并行集合（列表）创建RDD 输入列表、字符串、生成数组 二、 RDD操作 转换操作 1.filter(func) 显式定义函数lambda函数 阅读全文

摘要： 检查基础环境hadoop,jdk 配置 试运行python代码 二python编程练习： 准备文本文件：world.txt 统计每个单词出现的次数,按词频大小排序,结果写文件 main.py counts = {} for word in afterwords: counts[word] = cou 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 hadoop分布式文件系统HDFS是针对谷歌分布式文件系统（Google File System,GFS）的开源实现，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 阅读全文