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
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
Spark及其生态圈概述1.Spark 产生背景:面对Hadoop中MapReduce框架的局限性和框架的多样化特点，使得spark诞生。Spark的产生源于Matei Zaharia博士的论文------An Architecture for Fast and General Data。框架的局限性主要由4个方面：1）代码繁琐（需要自己定义Map类和Reduce类以及在main方法的配置）。2）
转载
2023-11-26 15:04:55
45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
一、学习视频https://www.bilibili.com/video/BV1oE411s7h7?p=37二、配置过程 2.1在spark安装目录下的jars目录中新建hbase目录 2.2将hbase安装目录下的lib目录下的相关文件拷贝到上面的hbase文件夹中 注：./代表当前文件夹
转载
2023-05-18 15:16:30
249阅读
文章目录创建SparkSession读取数据jdbcjsoncsvparquet保存数据 创建SparkSessionsparkSQl 可以读取不同数据源的数据，比如jdbc,json,csv,parquet 执行读操作就用sparkSession.read.文件类型，执行写操作就用SparkSession.write.文件类型首先创建一个SparkSession：val spark = Spa
转载
2023-08-09 21:06:49
210阅读
在公司做大数据开发已经四五年了，因此也积累了一些心得体会，便趁着这次机会大体描述下。 首先：数据开发的前提肯定是需要数据的，而数据从哪里来，大部分的数据都存储在Oracle中，而spark的计算 数据来源基本上都是hdfs。虽然oracle也可以与spark进行直接交互，但是如果oracle的表的数据量高达千万、亿 级别，每次的spark的查询都会对oracle数据库产生极大的影响，因
转载
2023-11-24 13:35:20
59阅读
spark支持的常见文件格式如下:文本,json,CSV,SequenceFiles,Protocol buffers,对象文件1.文本只需要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；scala> val lines=sc.textFile("/tmp/20171024/20171024.txt")
lines: org.apa
转载
2023-07-31 23:37:21
12阅读
写在前面本系列是综合了自己在学习spark过程中的理解记录 ＋ 对参考文章中的一些理解 ＋ 个人实践spark过程中的一些心得而来。写这样一个系列仅仅是为了梳理个人学习spark的笔记记录，所以一切以能够理解为主，没有必要的细节就不会记录了，而且文中有时候会出现英文原版文档，只要不影响理解，都不翻译了。若想深入了解，最好阅读参考文章和官方文档。 其次，本系列是基于目前最新的 sp
Apache Avro 是一种流行的数据序列化格式。它广泛用于 Apache Spark 和 Apache Hadoop 生态系统，尤其适用于基于 Kafka 的数据管道。从 Apache Spark 2.4 版本开始（参见 Apache Spark 2.4 正式发布，重要功能详细介绍），Spark 为读取和写入 Avro 数据提供内置支持。新的内置 spark-avro 模块最初来自 Datab
转载
2024-03-10 23:26:09
81阅读
package hadoopshiyan; import org.apache.hadoop.fs.*; import java.io.BufferedReader; import java.io.IOException; import java.io.InputStream; import jav
原创
2021-07-23 16:25:34
392阅读
1、pyspark连接kudupyspark --jars /home/oicq/guomm/kudu-spark2_2.11-1.6.0.jar # 启动
sqlContext = pyspark.sql.SQLContext(spark) # 创建sql连接
df = sqlContext.read.format('org.apache.kudu.spark.kudu')
转载
2024-06-04 08:21:51
74阅读
到目前为止，我们已经听说过几个上下文，例如 SparkContext，SQLContext，HiveContext，SparkSession，现在，我们将使用 Kudu 引入一个KuduContext。这是可在 Spark 应用程序中广播的主要可序列化对象。此类代表在 Spark 执行程序中与 Kudu Java客户端进行交互。 KuduContext 提供执行DDL 操作所需的方法，与本机 Ku
转载
2024-06-17 07:21:57
60阅读
目录一 认识SparkSQL1.1 什么是SparkSQL1.2 SparkSQL的作用1.3 运行原理1.4 特点1.5 SparkSession1.6 DataFrames二 RDD转换为Dataframe方式一：通过 case class 创建 DataFrames（反射）方式二：通过 structType 创建 DataFrames（编程接口）方式三：通过 json 文件创建 DataF
转载
2024-07-31 16:43:58
150阅读
一、kafka 模拟数据：【1】模拟数据实体类：public class CarDataTest {
private String lat;
private String lon;
private String location;
private String status;
private String terminaltype;
-------
转载
2024-08-13 10:31:54
208阅读
在当前大数据领域，Apache Spark 和 Hadoop 是两个非常流行的开源框架，可以帮助我们处理和分析海量数据。本文将通过一系列步骤来向刚入行的小白介绍如何实现“大数据 spark hadoop”。
### 步骤概览
| 步骤 | 描述 |
| ---- | ---- |
| 1 | 安装 Hadoop |
| 2 | 安装 Spark |
| 3 | 准备数据 |
| 4 | 使用
原创
2024-05-30 10:00:26
78阅读
Hadoop大数据框架学习（配置启动篇）大数据的特点：Volume(大量)：数据量到达PB,EB级别Velocity(高速): 要求处理海量数据效率高速度快Variety(多样)：数据的样化。（结构化数据，非结构化数据和半结构化数据）Value(低价值密度)：价值密度低，难以提取出有价值的信息。Hapood是什么Hadoop是一个由Apache开发的分布式系统基础架构，主要解决，海量数据的存储和分
转载
2024-06-17 14:00:24
27阅读
Spark是一种快速且通用的大数据处理引擎，而Hadoop是一个可扩展的开源分布式文件系统。将Spark的数据写入Hadoop是一个常见的任务，本文将向刚入行的开发者介绍如何实现这一过程。
**流程概述：**
为了将Spark的数据写入Hadoop，我们可以使用Hadoop API或者Spark提供的Hadoop文件系统（Hadoop FileSystem）API。具体的流程如下图所示：
`
原创
2023-12-29 05:00:42
73阅读
读取hive库数据
pom.xml依赖配置
org.apache.spark
spark-core_2.11
2.1.1
org.apache.spark
spark-hive_2.11
2.1.1
读取hive数据demo
import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession
object Main
转载
2023-08-02 20:56:42
150阅读
