小小猪兔

摘要： 1.请分析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， 阅读全文

摘要： 一、集合运算练习 union()， intersection()，subtract(), cartesian() 二、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 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 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 3.通过并行集合（列表）创建RDD 二、 RDD操作 转换操作 1.filter(func)显式，定义函数，lambda函数 2.map(func)，显式定义函数，lambda函数 3.flatMap(fun 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。 通过上面图片可以看出，Spark生态系统主要包含Spark Core、Spark SQL、Spark Streaming、MLib、GraphX以及独立调度器，下面对上述组件进行一一介 阅读全文

摘要： 一、安装Spark 检查基础环境hadoop,jdk 2.配置文件、环境变量 3.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.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 path='/home/hadoop/ 阅读全文

摘要： 1.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。 一、MapReduce 主要由Google Reduce而来，它简化了大型数据的处理，是一个并行的，分布式处理的编程模型。hadoop2.0它是基于YARN框架构建的。YARN的全称是Yet-Anoth 阅读全文