摘要：
1.分析SparkSQL出现的原因，并简述SparkSQL的起源与发展。 SparkSQL的前身是Shark，给熟悉RDBMS但又不理解MapReduce的技术人员提供快速上手的工具，Hive应运而生，它是当时唯一运行在Hadoop上的SQL-on-Hadoop工具。但是MapReduce计算过程中 阅读全文
摘要：
持久化 scm.cache() 总共有多少学生？map(), distinct(), count() 开设了多少门课程？ 每个学生选修了多少门课？map(), countByKey() 每门课程有多少个学生选？map(), countByValue() 多少个100分？ Tom选修了几门课？每门课多 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 读文件创建RDD 分词 排除大小写lower()，map() .标点符号re.split(pattern,str)，flatMap(), 先导入re然后用re.split分词(\W+会匹配所有非单词字符,(\W+) 阅读全文
摘要：
一、RDD创建 先启动pyspark 从本地文件系统中加载数据创建RDD，先启动hdfs，再上传 在hdfs中查看 停用hdfs 二、RDD的操作 1、转换操作 map(func)显式定义函数lambda函数 2、行动操作 3、flatMap(func) 分词 单词映射成键值对 4、reduceBy 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 CoreSpark Core是整个BDAS的核心组件，是一种大数据分布式处理框架，不仅实现了MapReduce的算子map函数和reduce函数及计算模型，还提供如f 阅读全文
摘要：
一、安装Spark 检查基础环境hadoop,jdk 下载spark 解压，文件夹重命名、权限 配置文件 环境变量 试运行Python代码 二、Python编程练习：英文文本的词频统计 准备文本文件 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 结果写文件 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、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模分布式文件存储的能力。 HDFS 阅读全文