王基兆

2022年6月6日

补交作业7 链接没链接上

摘要: 1.请分析SparkSQL出现的原因,并简述SparkSQL的起源与发展。 原因:SparkSQL的前身Shark对于Hive的太多依赖(如采用Hive的语法解析器、查询优化器等等),制约了Spark的One Stack Rule Them All的既定方针,制约了Spark各个组件的相互集成,所以 阅读全文

posted @ 2022-06-06 00:24 王基兆 阅读(6) 评论(0) 推荐(0) 编辑

2022年4月19日

RDD综合练习:更丰富的操作

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

posted @ 2022-04-19 08:50 王基兆 阅读(34) 评论(0) 推荐(0) 编辑

2022年4月12日

RDD综合操作实例

摘要: 一、词频统计 A. 分步骤实现 准备文件 1.下载小说或长篇新闻稿 2.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 阅读全文

posted @ 2022-04-12 08:47 王基兆 阅读(31) 评论(0) 推荐(0) 编辑

2022年3月22日

RDD操作

摘要: 一、 RDD创建 1.从本地文件系统中加载数据创建RDD 与原txt文件对比 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、生成数组 二、 RDD操作 操作转换 1.filter(func) 传入lamb 阅读全文

posted @ 2022-03-22 19:25 王基兆 阅读(53) 评论(0) 推荐(0) 编辑

2022年3月8日

Spark设计与运行原理,基本操作

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。 ·Spark Core:BDAS生态系统的核心组件,是一种大数据分布式处理框架,提供了多种资源调度管理,通过内存计算、有向无环图(DAG)等机制保证分布式计算的快速,并引入了RDD的抽 阅读全文

posted @ 2022-03-08 09:14 王基兆 阅读(77) 评论(0) 推荐(0) 编辑

2022年3月6日

安装spark与python

摘要: 一、安装Spark 1.检查基础环境 启动hdfs查看进程 查看hadoop和jdk环境 2.下载spark 3.配置环境变量 4.启动spark 5.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 从网上下载一篇名为《hamlet》的小说,命名为hamlet 阅读全文

posted @ 2022-03-06 16:19 王基兆 阅读(64) 评论(0) 推荐(0) 编辑

2022年2月22日

大数据概述

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分布式文件系统 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 阅读全文

posted @ 2022-02-22 11:26 王基兆 阅读(40) 评论(0) 推荐(0) 编辑