摘要：
一、安装Spark 1、检查基础环境hadoop、jdk 2、下载Spark（略） 3、解压、文件夹重命名、权限（略） 4、配置文件 5、环境变量 6、试运行Python代码 二、Python编程练习：英文文本的词频统计 1、准备文本 2、编写代码 3、运行结果 6.RDD练习 集合运算练习 uni 阅读全文
摘要：
综合练习：学生课程分数 网盘下载sc.txt文件，分别创建RDD、DataFrame和临时表/视图； 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: 1.总共有多少学生？ 2.总共开设了多少门课程？ 3.每个学生选修了多少门课？ 4.每门课程有多少个学生 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。 SparkSQL出现的原因 hive是shark的前身，shark是sparkSQL的前身，sparkSQL产生的根本原因是其完全脱离了hive的限制，hive是hive SQL转换成MapReduce然后提交到集群上执行，大 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 3.读文件创建RDD 4.分词 5.排除大小写lower()，map() 6.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 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 启动hdfs 上传文件 查看文件 加载 停止hdfs 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) 显式定义函数 lambda函 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中还包含了对弹性分布式数据集( 阅读全文
摘要：
一、安装Spark 1.检查基础环境hadoop,jdk 2.下载spark 3.解压，文件夹重命名、权限 4.配置文件 5.环境变量 6.启动pyspark 7.试运行Python代码 二、Python编程练习：英文文本的词频统计 1.准备文本文件 2.统计每个单词出现的次数 阅读全文
摘要：
1、HDFS（分布式文件系统） HDFS是整个hadoop体系的基础 。 功能：负责数据的存储与管理。HDFS有着高容错性（fault-tolerant）的特点，并且设计用来部署在低廉的（low-cost）硬件上。而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着 阅读全文