最近在工作讨论中，同事提出了这么一个问题：作用在一个RDD/DataFrame上的连续的多个map是在对数据的一次循环遍历中完成的还是需要多次循环？当时我很自然地回答说：不需要多次循环，spark会将多个map操作pipeline起来apply到rdd partition的每个data element上。事后仔细想了想这个问题，虽然我确信spark不可能傻到每个map operator都循环遍历一
前言spark sql[spark 1.0.0]出现之前，数据的读取是通过sparkContext得到的是RDD，数据的存储是通过不同类型RDD的saveXXX方法存储的，Spark的整个生态系统与Hadoop是完全兼容的，所以对于Hadoop所支持的文件类型或者数据类型，Spark也同样支持。另外，由于Hadoop的API有新旧两个版本,所以Spark为了能够兼容Hadoop所有的版本，也提供了
转载
2023-08-02 11:00:38
52阅读
Spark对很多种文件格式的读取和保存方式都很简单。Spark会根据文件扩展名选择对应的处理方式。Spark支持的一些常见文件格式如下：文本文件 使用文件路径作为参数调用SparkContext中的textFile()函数，就可以读取一个文本文件。也可以指定minPartitions控制分区数。传递目录作为参数，会把目录中的各部分都读取到RDD中。例如：val input = sc.textF
转载
2023-07-03 17:01:45
140阅读
文章目录一、SparkSQL连接Hudi1.1 Hive配置1.2 SparkSQL连接Hudi二、创建表2.1 常规的建表2.2 CTAS三、插入数据四、查询数据五、更新数据5.1 普通5.2 MergeInto六、删除数据七、Insert Overwrite一、SparkSQL连接Hudi1.1 Hive配置我们需要将Hive 的 metastore服务独立出来-- 目前只指定一个节点，也可以
转载
2023-07-17 22:44:01
238阅读
sparkSession 读取 csv1. 利用 sparkSession 作为 spark 切入点2. 读取 单个 csv 和 多个 csvfrom pyspark.sql importSparkSessionfrom pyspark.sql importSQLContextif __name__ == '__main__':
scSpark=SparkSession \
.builder \
转载
2023-07-07 17:38:41
105阅读
# Java读取Hadoop
## 概述
Hadoop是一个开源的分布式计算框架，用于处理大规模数据集的存储和处理。Java是Hadoop最常用的编程语言之一，通过Java可以轻松地读取和操作Hadoop中的数据。本文将介绍如何使用Java读取Hadoop，并提供相应的代码示例。
## Hadoop概述
Hadoop由Apache基金会开发，支持大数据分布式计算。它的核心组件包括Hadoo
原创
2023-10-03 09:57:10
63阅读
文章目录Hadoop（伪分布）+ Spark（Local）软件安装及环境配置前言一、安装虚拟机1.下载Ubuntu16.04镜像二、Hadoop安装及配置（伪分布式）1.创建hadoop用户2.更新apt3.安装SSH、配置SSH无密码登陆4.安装Java环境5.安装Hadoop3.1.36.Hadoop伪分布式配置三、安装 Spark2.4.01.下载Spark2.4.02.安装Spark（L
转载
2023-11-18 23:36:04
9阅读
有以下四个不同：1. 解决问题的层面不一样Hadoop和Apache Spark两者都是大数据框架，但是各自存在的目的不尽相同。Hadoop实质上更多是一个分布式数据基础设施: 它将巨大的数据集分派到一个由普通计算机组成的集群中的多个节点进行存储，意味着您不需要购买和维护昂贵的服务器硬件。 同时，Hadoop还会索引和跟踪这些数据，让大数据处理和分析效率达到前所未有的高度。Spark，则是那么一
转载
2023-09-26 15:52:54
48阅读
首先Spark是借鉴了mapreduce并在其基础上发展起来的，继承了其分布式计算的优点并改进了mapreduce明显的缺陷。 但是二者也有不少的差异具体如下：ApacheSpark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类HadoopMapReduce的通用并行计算框架，Spark拥有Had
转载
2023-08-01 22:14:37
69阅读
Spark框架一、Spark概述1.1 Spark是什么1.2 Spark & Hadoop1.3 Spark / Hadoop（1）Hadoop MapReduce（2） Spark1.4 Spark核心模块 一、Spark概述1.1 Spark是什么Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。1.2 Spark & HadoopSpark与Hadoop的
转载
2023-09-01 11:06:45
75阅读
一、搭建执行hudi的平台1.1、整体软件架构1.2、安装Hadoop(当前环境是hadoop2.7)............1.3、安装 Spark（当前环境是3.x） 第一步、安装Scala-2.12.10##解压scala
tar -zxvf scala-2.12.10.tgz -C /opt/mo
转载
2023-07-15 09:13:20
165阅读
Spark中的Spark Streaming可以用于实时流项目的开发，实时流项目的数据源除了可以来源于日志、文件、网络端口等，常常也有这种需求，那就是实时分析处理MySQL中的增量数据。面对这种需求当然我们可以通过JDBC的方式定时查询Mysql，然后再对查询到的数据进行处理也能得到预期的结果，但是Mysql往往还有其他业务也在使用，这些业务往往比较重要，通过JDBC方式频繁查询会对Mysql造成
转载
2023-12-21 21:49:56
122阅读
Spark概述什么是SparkSpark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。Spark和Hadoop的区别Spark 和Hadoop 的区别：HadoopHadoop 是由 java 语言编写的，在分布式服务器集群上存储海量数据并运行分布式分析应用的开源框架，专用于数据批处理的框架，有存储也有计算，但是核心是计算且是离线计算。作为 Hadoop 分布式文件系统，HDFS 处于
转载
2023-09-01 11:06:55
56阅读
目的 首先需要明确一点，hadoophe spark 这二者都是大数据框架，即便如此二者各自存在的目的是不同的。Hadoop是一个分布式的数据基础设施，它是将庞大的数据集分派到由若干台计算机组成的集群中的多个节点进行存储。Spark是一个专门用来对那些分布式存储的大数据进行处理的工具，spark本身并不会进行分布式数据的存储。两者的部署 Hadoop的框架最核心的设计就是：HDFS和MapRedu
转载
2023-07-12 11:53:59
70阅读
前期准备：1.默认已经搭建好了hadoop环境（我的hadoop版本是2.5.0） 2.这里我用的Hbase是0.98.6，spark是1.3.0一、搭建Hbase1、上传Hbase安装包，将/opt/software下的hbase安装包解压到/opt/app目录下 2、进入hbase目录下，修改配置文件 1>修改hbase-env.sh文件 将export J
转载
2023-06-19 11:33:07
116阅读
计划写一个新系列，分别使用Excel、Python、Hive、SparkSQL四种方式来实现简单的数据分析功能，例如GroupBy、透视表等功能。俗话说的好，工欲善其事，必先利其器，所以咱们先介绍一下环境的搭建！虽说Hive和Spark都是分布式的宠儿，但是咱们仅仅实现单机版！所有需要安装的工具列表如下：1、Excel2、Python3、JDK4、IDEA5、Mysql6、Scala7、Spark
转载
2024-05-31 07:51:37
552阅读
Spark的数据读取即数据保存可以从两个维度来做区分：文件格式以及文件系统。文件格式分为：Text文件，Json文件，Csv文件，Sequence文件以及Object文件；文件系统分为：本地文件系统，HDFS，HBase以及数据库。1. 文件类数据读取与保存1.1 Text文件数据读取：textFile(String)var hdfsFile = sc.textFile("hdfs://hadoo
转载
2024-02-28 14:58:03
72阅读
实现Java Hadoop Spark Storm的流程如下：
步骤 | 描述
----------------|-----------------
步骤1：安装Java | 首先，你需要安装Java开发环境。你可以从Java官方网站下载并安装最新版本的Java Development Kit (JDK)。
步骤2：安装Hadoop | 接下来，你需要安装Hadoop分
原创
2024-02-15 10:57:15
26阅读
这两天在搭建Hadoop与Spark的平台，要求是能够运行Spark，并且用python编程。笔者也不打算写一个很详细的细节教程，简单做一个笔记blog。1.选择 笔者一开始是在虚拟机上搭建的，创建了三个ubuntu虚拟机，然后开始布置分布式系统，但是，后来发现，资源完全不够用。笔者台式机16G内存，2T硬盘，i7第四代处理器，然而，还是被ha
转载
2023-08-29 17:05:02
89阅读
运行 Spark 示例 注意，必须安装 Hadoop 才能使用 Spark，但如果使用 Spark 过程中没用到 HDFS，不启动 Hadoop 也是可以的。此外，接下来教程中出现的命令、目录，若无说明，则一般以 Spark 的安装目录（/usr/local/spark）为当前路径，请注意区分。 在 ./examples/src/main 目录下有一些 Spark 的示例程序，有 Scala、J
