——spark 第25页

大数据系列之：读取parquet文件统计数据量

大数据系列之：读取parquet文件统计数据量一、Spark读取parquet文件统计数据量二、parquet-tools统计parquet文件数据量三、实际应用案例一、Spark读取parquet文件统计数据量首先

最笨的羊羊·2024-01-03 16:49

使用UDF扩展Spark SQL

ApacheSpark是一个强大的分布式计算框架，SparkSQL是其一个核心模块，用于处理结构化数据。虽然SparkSQL内置了许多强大的函数和操作，但有时可能需要自定义函数来处理特定的数据需求。

晓之以理的喵~~·2024-01-03 12:08

性能优化：Spark SQL中的谓词下推和列式存储

ApacheSpark是一个强大的分布式计算框架，SparkSQL是其一个核心模块，用于处理结构化数据。

晓之以理的喵~~·2024-01-03 12:02

大数据实时项目必备技能二：kafka有话说

导读：Kafka是由LinkedIn开发并开源的分布式消息系统，因其分布式及高吞吐率而被广泛使用，现已与ClouderaHadoop，ApacheStorm，ApacheSpark集成。

栀子花_ef39·2024-01-03 11:05

Spark之Adaptive Query Execution

文章目录AdaptiveQueryExecutionCoalescingPostShufflePartitionsSplitingskewedshufflepartitionsConvertingsort-mergejointobroadcastjoinConvertingsort-mergejointoshuffledhashjoinOptimizingSkewJoin（forsore-merg

zincooo·2024-01-03 09:16

【Spark精讲】SparkSQL的RBO与CBO

SparkSQL核心:CatalystSparkSQL的核心是Catalyst查询编译器，它将用户程序中的SQL/Dataset/DataFrame经过一系列操作，最终转化为Spark系统中执行的RDD

话数Science·2024-01-03 09:45

【Spark精讲】记一个SparkSQL引擎层面的优化：SortMergeJoinExec

SparkSQL的Join执行流程如下图所示，在分析不同类型的Join具体执行之前，先介绍Join执行的基本框架，框架中的一些概念和定义是在不同的SQL场景中使用的。

话数Science·2024-01-03 09:44

Spark大数据分析与实战笔记（第二章 Spark基础-02）

文章目录每日一句正能量章节概要2.2搭建Spark开发环境2.2.1环境准备2.2.2Spark的部署方式2.2.3Spark集群安装部署一、Spark下载二、Spark安装三、环境变量配置2.2.4SparkHA

想你依然心痛·2024-01-03 09:14

2024.1.2 Spark 简介,架构,环境部署,词频统计

目录一.Spark简介二.Spark框架模块三.环境准备3.1SparkLocal模式搭建3.2通过Anaconda安装python3环境3.3PySpark库安装四.Spark集群模式架构介绍五.pycharm

白白的wj·2024-01-03 09:41

Spark一：Spark介绍、技术栈与运行模式

一、Spark简介Spark官网https://spark.apache.org/1.1Spark是什么Spark是一种通用的大数据计算框架，是基于RDD(弹性分布式数据集)的一种计算模型。

eight_Jessen·2024-01-03 09:11

Spark导入报错：object security is not a member of package org.apache.kafka.common

引言 buildspark里自带的示例项目时报了这样一个错：objectkafkaisnotamemberofpackageorg.apache，排查后发现是因为添加的jar依赖里没有kafka这一项，

夜半罟霖·2024-01-03 09:40

Spark之Dynamic Resource Allocation

文章目录DynamicResourceAllocation请求策略移除策略移除存在的问题相关参数DynamicResourceAllocationSpark提供一种基于负载使用情况来动态调整application

zincooo·2024-01-03 09:39

Hive/SparkSQL中UDF/UDTF/UDAF的含义、区别、有哪些函数

Hive官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF#LanguageManualUDF-Built-inTable-GeneratingFunctions(UDTF)1.UDF(User-DefinedFunction)含义即用户定义函数，UDF用于处理一行数据并返回一个标量值(单个值)，这个值可以是

TRX1024·2024-01-03 08:39

Hive/SparkSQL中Map、Array的基本使用和转换

一、Map1.构建语法:map(key1,value1,key2,value2,…)说明：根据输入的key和value对构建map类型-->1.一般创建方法selectmap('key1_name','张三','key2_age',20)asmap_col--结果：{"key1_name":"张三","key2_age":"20"}-->2.根据SQL查询结果构建mapselectmap('k_n

TRX1024·2024-01-03 08:09

Spark解决构建倒排索引问题的步骤

相比于MapReduce，采用spark解决问题则简单得多：用户无需受限于（MapReduce中的）Mapper、Combiner和Reducer等组件要求的固定表达方式，而只需将解决方案翻译成Spark

皮皮杂谈·2024-01-03 08:26

【kettle】pdi/data-integration 集成kerberos认证连接hive或spark thriftserver

sparkthriftserver本质就是通过hivejdbc协议连接并运行sparksql任务。二、思路kettle中可以使用js调用java类的方法。

lisacumt·2024-01-03 08:37

计算机毕业设计吊打导师hadoop+spark+hive知识图谱医生推荐系统医生数据分析可视化大屏医生爬虫医疗可视化医生大数据机器学习大数据毕业设计

，使用高德地图解析地理位置，并将结果转入.csv文件同时上传到hdfs文件系统；3.使用hive建库建表，导入.csv数据集；4.一半指标使用离线数仓hive_sql分析，一半指标使用实时数仓实时计算Spark

计算机毕业设计大神·2024-01-03 07:53

虚拟机VMware spark的安装教程

1.创建一个空文件夹2.解压安装包到文件夹中3.进入目录4.重命名文件夹5.打开spark进行编译

爱打网球的小哥哥一枚吖·2024-01-03 05:40

Azkaban+Spark资源调度

本文以利用Azkaban+Spark构建数仓的DWS层和ADS层为例！！！

孤城暮雨@·2024-01-03 04:46

Spark 之 Shuffle

Shuffle在Spark中Shuffle的目的是为了保证每一个key所对应的value都会汇聚到同一个分区上去聚合和处理。

zhixingheyi_tian·2024-01-03 02:31

SparkSql中join和shuffle知识点梳理

sparksql中有一些容易混淆的概念，大家在面试时也会经常被问到join和shuffle相关的问题：说说join的几种实现说说shuffle的实现join操作一定发生shuffle吗？

小萝卜算子·2024-01-03 02:30

Spark源码分析之：Shuffle

这一篇我们来分析Spark2.1的Shuffle流程。

你说个der·2024-01-03 02:30

Spark源码——Shuffle过程

shuffle很重要，调优的重点、性能的杀手未优化的shuffle：(图片来源：北风网）未优化的shuffle有两个特点：spark早期版本中，shuffleMapTask将所有数据写入bucket缓存后

阿松0311·2024-01-03 02:59

Shuffle Read Time调优

先看第一张Spark任务执行时间轴的图：红色部分是任务反序列化时间，黄色部分是shuffleread时间，绿色是实际计算任务执行时间，这里我们先不讨论任务反序列化时间长，下一篇文章说任务反序列化时间长怎么解决

初心江湖路·2024-01-03 02:59

SparkSQL Shuffle分区数目

运行程序时，查看WEBUI监控页面发现，某个Stage中有200个Task任务，也就是说RDD中200分区Partition可以设置在：配置文件：conf/spark-defaults.conf:spark.sql.shuffle.partitions100

飞Link·2024-01-03 02:29

SparkSQL的3种Join实现

SparkSQL的3种Join实现引言Join是SQL语句中的常用操作，良好的表结构能够将数据分散在不同的表中，使其符合某种范式，减少表冗余、更新容错等。

章鱼哥TuNan&Z·2024-01-03 02:29

spark shuffle流程入门

shuffle操作Spark中的某些操作会触发一个称为shuffle的事件。shuffle是Spark重新分发数据的机制，以便在分区之间以不同的方式分组。

鸭梨山大哎·2024-01-03 02:29

[sparkSQL] Shuffle

在SparkSQL中，Shuffle是指将数据重新分布到不同的节点上以进行处理的操作。

言之。·2024-01-03 02:58

Spark内容分享(二十四)：Apache Spark 在爱奇艺的应用实践

目录ApacheSpark在爱奇艺的现状Spark计算框架应用优化SparkSQL服务的落地与优化总结与展望ApacheSpark在爱奇艺的现状ApacheSpark是爱奇艺大数据平台主要使用的离线计算框架

之乎者也··2024-01-02 18:56

Spark快速入门系列（三）深入理解RDD

这里写目录标题深入RDD案例再谈RDDRDD为什么会出现?RDD的特点什么叫做弹性分布式数据集总结:RDD的五大属性深入RDD目标深入理解RDD的内在逻辑,以及RDD的内部属性(RDD由什么组成)案例需求给定一个网站的访问记录,俗称Accesslog计算其中出现的独立IP,以及其访问的次数创建个数据文件access_log_sample.txt（数据量太大，存不到这里，先用100）行190.217

Alienware^·2024-01-02 13:23

88、Spark Streaming之输入DStream之Kafka数据源实战（基于Direct的方式）

基于Direct的方式这种新的不基于Receiver的直接方式，是在Spark1.3中引入的，从而能够确保更加健壮的机制。

ZFH__ZJ·2024-01-02 13:25

Spark内容分享(二十三)：Spark on K8s 在茄子科技的实践

目录Spark与云原生1.传统大数据计算集群的缺陷2.公有云带来的优势3.如何充分利用公有云带来的优势？

之乎者也··2024-01-02 11:30

Spark内容分享(二十二)：eBay最佳实践：Spark SQL优化之物化视图

MVOptimizer的实现验证部分重写部分物化视图应用场景及收益应用场景：物化视图重写普通视图应用场景：物化视图重定义表结构物化视图应用收益总结及后续计划背景Carmel是eBay内部基于ApacheSpark

之乎者也··2024-01-02 11:00

Spark内容分享(二十一)：字节跳动 Spark 支持万卡模型推理实践

目录背景介绍字节跳动Spark规模Spark云原生方案及引擎增强Arcee介绍SparkonArceeSpark引擎优化周边生态融合万卡模型推理实践主要矛盾资源任务任务-资源匹配未来展望背景介绍随着云原生的发展

之乎者也··2024-01-02 11:59

Spark内容分享(二十)：网易基于 Kyuubi + Spark 内核优化以及实践

目录ApacheSpark-AdaptiveQueryExecution/AQE1.AQE–History2.AQE–Shuffle3.AQE-SmallReducePartition4.AQE–SkewedReducePartition5

之乎者也··2024-01-02 10:21

Spark内容分享(十九)：Spark调度系统

目录前言聚义厅的头三把交椅元老派空降派任务提交的代码调用貌合神离——戴格与塔斯克心有灵犀——塔斯克与拜肯德追随者众——拜老板的小弟们Postscript前言Spark是典型的主从型（M/S，Master

之乎者也··2024-01-02 10:20

Spark内容分享(十八)：70个Spark面试题

1、ApacheSpark有哪些常见的稳定版本，Spark1.6.0的数字分别代表什么意思？

之乎者也··2024-01-02 10:50

Spark - 动态注册UDF

昨天有位大哥问小弟一个Spark问题，他们想在不停Spark程序的情况下动态更新UDF的逻辑，他一问我这个问题的时候，本猪心里一惊，Spark**还能这么玩?

kikiki2·2024-01-02 09:10

大数据学习入门到实战教程，精心整理万字长文入门，老奶奶看了都说学会了

换个角度说，大数据是：1、有海量的数据2、有对海量数据进行挖掘的需求3、有对海量数据进行挖掘的软件工具（hadoop、spark、storm、flink、tez

悦悦学Python·2024-01-02 08:59

Spark中的数据加载与保存

ApacheSpark是一个强大的分布式计算框架，用于处理大规模数据。在Spark中，数据加载与保存是数据处理流程的关键步骤之一。

晓之以理的喵~~·2024-01-02 07:15

Spark SQL中的聚合与窗口函数

SparkSQL是ApacheSpark的一个模块，用于处理结构化数据。在数据分析和处理中，聚合和窗口函数是非常重要的工具，它们可以对数据进行各种汇总、计算和分析。

晓之以理的喵~~·2024-01-02 07:15

【大数据面试知识点】Spark的DAGScheduler

Spark数据本地化是在哪个阶段计算首选位置的？先看一下DAGScheduler的注释，可以看到DAGScheduler除了Stage和Task的划分外，还做了缓存的跟踪和首选运行位置的计算。

话数Science·2024-01-02 07:44

Spark SQL简介与基本用法

ApacheSpark是一个强大的分布式计算框架，SparkSQL是其组件之一，用于处理结构化数据。

晓之以理的喵~~·2024-01-02 07:44

【大数据面试知识点】Spark中的累加器

Spark累加器累加器用来把Executor端变量信息聚合到Driver端，在driver程序中定义的变量，在Executor端的每个task都会得到这个变量的一份新的副本，每个task更新这些副本的值后