期末大作业
摘要：
一、.选择使用什么数据，有哪些字段，多大数据量。 us-counties美新冠数据；字段有日期（date），县（county）， 国家、州（state），确诊情况（cases），死亡人数（deaths）； 二、准备分析哪些问题？（8个以上） 1、统计美国某个县每天的确诊病例和死亡病例 2、统计美国确 阅读全文
posted @ 2021-06-07 21:51 拿大刀的犬夜叉 阅读(37) 评论(0) 推荐(0) 编辑
09 spark连接mysql数据库
摘要：
spark连接mysql数据库 安装启动检查Mysql服务。netstat -tunlp (3306) spark 连接mysql驱动程序。 cd /usr/local/hive/lib ls mysql* cp mysql-connector-java-5.1.40-bin.jar /usr/lo 阅读全文
posted @ 2021-05-31 19:32 拿大刀的犬夜叉 阅读(42) 评论(0) 推荐(0) 编辑
学生课程分数的Spark SQL分析
摘要：
读学生课程分数文件chapter4-data01.txt，创建DataFrame。 1.生成“表头” 2.生成“表中的记录” 3.把“表头”和“表中的记录”拼装在一起 用DataFrame的操作或SQL语句完成以下数据分析要求，并和用RDD操作的实现进行对比： 每个分数+5分。 总共有多少学生？ 总 阅读全文
posted @ 2021-05-20 19:35 拿大刀的犬夜叉 阅读(66) 评论(0) 推荐(0) 编辑
从 RDD 创建 DataFrame
摘要：
1. pandas df 与 spark df 的相互转换 2. Spark 与 Pandas 中 DataFrame 对比 展开查看内容 http://www.lining0806.com/spark与pandas中dataframe对比/ 3.1 利用反射机制推断 RDD 模式 sc 创建 RD 阅读全文
posted @ 2021-05-14 20:04 拿大刀的犬夜叉 阅读(91) 评论(2) 推荐(0) 编辑
Spark SQL 及其DataFrame的基本操作
摘要：
1.Spark SQL出现的 原因是什么? Shark和sparkSQL 但是，随着Spark的发展，其中sparkSQL作为Spark生态的一员继续发展，而不再受限于hive，只是兼容hive；而hive on spark是一个hive的发展计划，该计划将spark作为hive的底层引擎之一，也就 阅读全文
posted @ 2021-05-10 19:52 拿大刀的犬夜叉 阅读(157) 评论(0) 推荐(0) 编辑
05 RDD编程
摘要：
8.按字母顺序排序 sortBy(f) 9.按词频排序 sortByKey() 10.结果文件保存 saveAsTextFile(out_url) 代码： lines = sc.textFile('file:///home/hadoop/chapter4-data01.txt') course_re 阅读全文
posted @ 2021-04-18 19:28 拿大刀的犬夜叉 阅读(42) 评论(0) 推荐(0) 编辑
RDD练习：词频统计
摘要：
一、词频统计： 1.读文本文件生成RDD lines 2.将一行一行的文本分割成单词 words flatmap() 3.全部转换为小写 lower() 4.去掉长度小于3的单词 filter() 5.去掉停用词 6.转换成键值对 map() 7.统计词频 reduceByKey() 二、学生课程分 阅读全文
posted @ 2021-04-05 19:28 拿大刀的犬夜叉 阅读(152) 评论(0) 推荐(0) 编辑
RDD编程练习
摘要：
一、filter,map,flatmap练习： 1.读文本文件生成RDD lines lines = sc.textFile('file:///home/hadoop/word.txt') lines.collect() 2.将一行一行的文本分割成单词 words words=lines.flatM 阅读全文
posted @ 2021-03-31 19:24 拿大刀的犬夜叉 阅读(56) 评论(0) 推荐(0) 编辑
Spark RDD编程
摘要：
1. 准备文本文件从文件创建RDD lines=sc.textFile() 筛选出含某个单词的行 lines.filter()lambda 参数：条件表达式 2.生成单词的列表从列表创建RDD words=sc.parallelize()筛选出长度大于2 的单词 words.filter() 3. 阅读全文
posted @ 2021-03-28 00:17 拿大刀的犬夜叉 阅读(37) 评论(0) 推荐(0) 编辑
01 Spark架构与运行流程
摘要：
1. Hadoop是一个能够对大量数据进行分布式处理的软件框架。具有可靠、高效、可伸缩的特点。 Hadoop的核心是HDFS和MapReduce，hadoop2.0还包括YARN。 （1）HDFS集群：负责海量数据的存储。 （2）YARN集群：负责海量数据运算时的资源调度。 （3）MapReduce 阅读全文
posted @ 2021-03-12 15:51 拿大刀的犬夜叉 阅读(49) 评论(0) 推荐(0) 编辑
