大数据处理Spark 第27页

【神行百里】pandas查询加速之行索引篇

最近进行大数据处理的时候，发现我以前常用的pandas查询方法太慢了，太慢了，真是太慢了，查阅资料，遂发现了一种新的加速方法，能助力我飞上天，和太阳肩并肩，所以记录下来。

风巽·剑染春水·2024-01-04 09:08

Java技术栈 —— Hadoop入门（一）

解析3.1Hadoop生态介绍3.1.1MapReduce-核心组件3.1.2HDFS-核心组件3.1.3YARN-核心组件3.1.4其它组件3.1.4.1HBase3.1.4.2Hive3.1.4.3Spark

键盘国治理专家·2024-01-04 08:02

Spark二、Spark技术栈之Spark Core

SparkCorespark核心：包括RDD、RDD算子、RDD的持久化/缓存、累加器和广播变量学习链接：https://mp.weixin.qq.com/s/caCk3mM5iXy0FaXCLkDwYQ

eight_Jessen·2024-01-04 08:51

2024.1.3 Spark架构角色和提交任务流程

目录一.Yarn的角色回顾二、Spark提交任务流程1、SparkOnStandalone2.SparkonYarn三.Spark比MapReduce执行效率高的原因四.Spark的排序算子一.Yarn

白白的wj·2024-01-04 08:46

mllib可扩展学习库java api使用

mllib可扩展学习库javaapi是使用ApacheSpark构建的机器学习库，包括分类，聚类，特征提取和预处理等功能。本文将从以下几个方面详细介绍如何使用mllib可扩展学习库javaapi。

卖兔子的胡萝卜zz·2024-01-04 08:43

Spark - SQL查询文件数据

那么我们可以利用spark-sql直接操作文件的特性处理这类的需求，姐姐再也不用担心我不会spark了，因为我就只会sql。使用方法csvspark.sql("select*fromcsv.

大猪大猪·2024-01-04 07:02

spark 资源动态释放

通过spark-submit会固定占用一占的资源，有什么办法，在任务不运作的时候将资源释放，让其它任务使用呢，yarn新版本默认已经支持了，我们使用的是HDP。

kikiki2·2024-01-04 07:35

【深度学习】02--框架

文章导读：•机器学习框架：•Scikit-Learn•SparkMLlib•深度学习框架•Theano蒙特利尔理工学院•TensorFlow谷歌•PytorchFacebook•Deeplearning4j

创造new_world·2024-01-04 06:55

Antlr4 - 自定义SparkSQL解析

Antlr4是一个强大的解析器的生成器，可以用来读取、处理、执行或翻译结构化文本，ANTLR可以从语法上来生成一个可以构建和遍历解析树的解析器，最出名的Spark计算引擎2.x就是用它来解析SQL的，是一个牛到没朋友的家伙

大猪大猪·2024-01-04 04:40

从零开始了解大数据(四)：MapReduce篇

目录前言一、MapReduce思想1.先分再合，分而治之2.Map阶段——拆分3.Reduce阶段——合并二、MapReduce设计构思1.如何对付大数据处理场景2.构建抽象编程模型3.统一架构、隐藏底层细节三

橘子-青衫·2024-01-04 02:20

Spark RDD及其常用算子介绍

一、RDD介绍1.1什么是RDDRDD（ResilientDistributedDataSet），称作弹性分布式数据集，是Spark中最基本的数据抽象，表示一个不可变的，分区的，其中元素可以被并行计算的数据集合

文景大大·2024-01-03 23:40

生信数据类型

生信结合了生物学、计算机科学和统计学等多个学科的理论和方法，通过运用大数据处理和分析技术，能够挖掘出生物学领域中的相关信息和规律。

m1chiru·2024-01-03 23:39

Spark---RDD介绍

文章目录1.Spark核心编程2.RDD介绍2.1.RDD基本原理2.2RDD特点1.弹性2.分布式：数据存储在大数据集群的不同节点上3.数据集：RDD封装了计算逻辑，并不保存数据4.数据抽象：RDD是一个抽象类

肥大毛·2024-01-03 23:34

Spark相关知识点（期末复习集锦）

嗨喽，最近小伙伴们快要期末考试了吧，下面是我对《Spark零基础实战》的总结，希望能帮助到你们。

夜をむかえる·2024-01-03 22:49

from pyspark.mllib.recommendation import Rating出错

进入pyspark输入frompyspark.mllib.recommendationimportRating报错nomodulenamednumpy我的环境：centos6.5，python2.6显然是我的虚拟机系统里自带的

路人乙yh·2024-01-03 22:47

Spark优化的小细节，堆和栈

堆和栈的使用。堆是内存存储对象，有较大的内存空间。栈是内存存储方法，内存空间分配较少。当程序多次调用一个方法时，可以将方法当做一个对象放入堆中，来减少栈内存的使用。降低CPU的占用，使更多内存分配到计算处理。

坐在你的树下·2024-01-03 22:38

Spark向Hbase中写数据报异常:org.apache.hadoop.hbase.client.RetriesExhaustedWithDetailsException: Failed 5

解决:将第二行代码中的表名写全,并指定在哪个名称空间valtable:Table=con.getTable(TableName.valueOf("info:tb_order"))

夺命大翻斗·2024-01-03 22:12

数组索引越界异常

Causedby:org.apache.spark.SparkException:Jobabortedduetostagefailure:Task1instage0.0failed1times,mostrecentfailure

夺命大翻斗·2024-01-03 21:40

学习大数据的第43天（python篇）——学习python第3天

Scipylibrary主要是积分运算，优化以及图形Matplotlib画图（二维图形）IPythonSympy用的不多pandas主要是数据分析，数据处理（比较重要）数据清洗，提供比较好的数据结构Dataframe（spark

三岁清风·2024-01-03 21:18

简述spark的架构与作业提交流程

1.首先spark在yarn下的作业提交分两种，一种是yarn-cluster模式，一种是yarn-client模式。

scott_alpha·2024-01-03 18:48

【Spark精讲】RDD缓存源码分析

面试题：cache后面能不能接其他算子，它是不是action操作？能，不是action算子。源码解析RDD调用cache或persist之后，会指定RDD的缓存级别，但只是在成员变量中记录了RDD的存储级别，并未真正地对RDD进行缓存。只有当RDD计算的时候才会对RDD进行缓存。以HadoopRDD为例overridedefcompute(split:Partition,context:TaskC

话数Science·2024-01-03 18:08

【Spark精讲】SparkSQL Join选择逻辑

SparkSQLJoin选择逻辑先看JoinSelection的注释Ifitisanequi-join,wefirstlookatthejoinhintsw.r.t.thefollowingorder:

话数Science·2024-01-03 18:37

Spark Streaming + Flume

Push，指的是Flume主动push数据给SparkStreaming。Pull，指的是SparkStreaming主动从Flume拉取数据。

歌哥居士·2024-01-03 18:53

Spark分区器HashPartitioner和RangePartitioner/全局排序

Spark分区器在Spark中分区器直接决定了RDD中分区的个数，RDD中每条数据经过Shuffle过程属于哪个分区以及Reduce的个数。

K. Bob·2024-01-03 18:34

【大数据面试知识点】分区器Partitioner：HashPartitioner、RangePartitioner

SparkHashParitioner的弊端是什么？

话数Science·2024-01-03 18:02

Scala - 反射动态创建方法

有时候我们想定义一个字符串的方法，然后通过scala的动态创建class，然后反射调用方法，在很多情景下是在学有用的，比较动态自定义spark的mapParations，当然了，每个人的需求都不一样，但是底层原理是一样的

kikiki2·2024-01-03 17:07

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

GreenPlum-数据世界的绿洲

GreenPlum的介绍Greenplum是一个基于开源PostgreSQL数据库系统的高性能、可扩展的大数据处理平台。它是由PivotalSoftware（现在是VMware的一部分）开发并维护的。

open_test01·2024-01-03 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

Hive学习（13）lag和lead函数取偏移量

Hive作为一种大数据处理框架，也提供了窗口函数的支持。在Hive中，Lag函数是一种常用的窗口函数，可以用于计算前一行或前N行的值。

一个天蝎座白勺程序猿·2024-01-03 08:34

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

推荐频道

大数据处理Spark