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,所以提出了S 阅读全文
摘要:
三、学生课程分数 网盘下载sc.txt文件,通过RDD操作实现以下数据分析: 持久化 scm.cache() 总共有多少学生?map(), distinct(), count() 开设了多少门课程? 生成(姓名,课程分数)键值对RDD,观察keys(),values() 每个学生选修了多少门课?ma 阅读全文
摘要:
A. 分步骤实现 1. 准备文件读文件创建RDD 1.下载小说或长篇新闻稿 2.上传到hdfs上 2. 准备文件读文件创建RDD 3.分词 4.排除大小写lower(),map() 4.1.标点符号re.split(pattern,str),flatMap() 去掉无用数据: 4.2.停用词,可网盘 阅读全文
摘要:
一、 RDD创建 从本地文件系统中加载数据创建RDD 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 通过并行集合(列表)创建RDD输入列表、字符串、生成数组 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 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。 2.请详细阐述Spark的几个主要概念及相互关系: Master, Worker; RDD,DAG; Application, job,stage,task; driver,execu 阅读全文
摘要:
一、安装Spark 检查基础环境hadoop,jdk 2.下载spark 3.配置文件 配置环境 vim /usr/local/spark/conf/spark-env.sh 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 counts = {} for 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。 1.HDFS(hadoop分布式文件系统) 是hadoop体系中数据存储管理的他是一个基础。它是一个高度容错的的系统,能检测和应对硬件故障。 client:切分文件,访问HDFS,与之交互,获取文件位置 阅读全文