20170103 x 20170104 z 20170105 y 根据输入的文件 A 和 B 合并得到的输出文件 C 的样例如下： 20170101 x 20170101 y 20170102 y 20170103 x 20170104 y 20170104 z 20170105 y 20170105 z 20170106 z编写文件A B 配置编译选项 编译代码 使用/software/spar
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
GeoSpark简介GeoSpark是一个用于处理大规模空间数据的开源内存集群计算系统。是传统GIS与Spark的结合。GeoSpark扩展RDD以形成空间RDD（SRDD），并跨机器高效地对SRDD数据元素进行分区，并引入新颖的并行化空间（几何操作，遵循Open Geosptial Consortium（OGC）标准）转换和操作（用于SRDD），提供更直观的界面供用户编写空间数据分析程序。Geo
转载
2024-10-08 10:57:28
12阅读
# Python读取pg数据库的步骤
对于一个刚入行的开发者来说，实现Python读取pg数据库可能会比较困惑。但是不用担心，我会在下面的文章中一步一步地教会你如何实现。
## 步骤概览
首先，我们来看一下整个流程的步骤。下面的表格展示了实现这个目标所需的步骤。
| 步骤 | 描述 |
| ---- | ---- |
| 步骤 1 | 安装所需的包 |
| 步骤 2 | 连接到pg数据库
原创
2023-07-21 00:49:44
212阅读
本文主要记录对象存储组件Minio、数据湖组件Hudi及查询引擎Hive\Spark之间的兼容性配置及测试情况，Spark及Hive无需多言，这里简单介绍下Minio及Hudi。 MinIO 是在 GNU Affero 通用公共许可证 v3.0 下发布的高性能对象存储。 它是与 Amazon S3 云存储服务兼容的 API。可使用s3a的标准接口进行读写操作。
转载
2023-10-02 23:46:35
186阅读
# 如何实现Java pg binlog 读取
## 简介
在本文中，我将向你介绍如何使用Java来读取pg binlog。这个过程可能对于刚入行的小白来说有些困难，但是只要跟着我的步骤一步一步来，相信你一定可以掌握这个技能。
## 流程图
```mermaid
gantt
title Java pg binlog 读取流程
section 流程
获取连接: done
原创
2024-05-30 04:37:45
48阅读
# Python分批读取PG操作指南
作为一名经验丰富的开发者，我将指导你如何在Python中实现分批读取PG的操作。在这个过程中，你将学习如何使用Python库来连接和读取数据库，以及如何分批处理大量数据，以提高效率。
## 整体流程
首先，让我们来看一下整个操作的流程。下面是一个简单的步骤表格，帮助你更好地理解这个过程。
| 步骤 | 操作 |
|-----
原创
2024-07-09 05:48:16
78阅读
今天分享一个使用sparksql的spark.write.format("hbase").save()spark.read.format("hbase").load()方式读写Hbase的方法。1、引入maven依赖只需要引用sparksql依赖和hbase-mapreduce包，即可实现spark sql读写hbase功能。<dependency>
<g
转载
2023-08-18 22:53:30
111阅读
#_*_coding:utf-8_*_# spark读取csv文件#指定schema：
schema = StructType([
# true代表不为null
StructField("column_1", StringType(), True), # nullable=True, this field can not be null
Struct
转载
2023-07-04 16:07:51
158阅读
文章目录Parquet 文件加载Parquet文件Partition Discovery 分区探测Schema 合并ORC文件Hive表用JDBC读其它数据库Performance Tuning性能优化Caching Data In MemoryOther Configuration OptionsBroadcast Hint for SQL Queries 你用MapReduce、Spark
转载
2023-11-10 01:05:35
28阅读
# 教你如何实现“Spark 读取”
作为一名经验丰富的开发者，我很高兴能帮助你入门 Spark。在这篇文章中，我将向你展示如何使用 Apache Spark 读取数据。我们将通过一个简单的示例来实现这一过程。
## 流程概览
首先，让我们看看使用 Spark 读取数据的基本流程。以下是一个表格，展示了整个过程的步骤：
| 步骤 | 描述 |
| --- | --- |
| 1 | 导入必
原创
2024-07-19 12:30:02
77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
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
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
2023-07-28 13:26:40
88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
文章目录前言一. pyspark连接hudi二. 创建表三. 插入数据四. 查询数据五. Time Travel查询六. 更新数据七. 增量查询八. 基于时间点查询九. 删除数据9.1 软删除9.2 硬删除十. 插入覆盖十一. Spark其它命令11.1 Alter Table11.2 Partition SQL Command参考: 前言软件版本Python3.8Hadoop3.3.2Spar
转载
2023-08-29 13:59:43
144阅读
使用sparksql访问几个hive表join的情况时结果为空，且这个sql在hive里执行是成功的。val sparkSession = SparkSession
.builder()
.config("jars","lib/*")
.appName("Spark Hive Example")
.enableHiveSupport()
转载
2023-06-01 15:47:54
174阅读
背景介绍：cdh集群、hadoop2.6.0、spark2.3.0hive表：text格式存储数据块：128M处理过程：读取hive表 -> 业务处理（无聚合操作） -> 写入hive、es问题描述：正常情况下，一个spark task要处理一个partition即128M的数据，因处理过程较耗时而成为任务瓶颈。解决过程：大的方向是进行任务拆分，增大并行度。方法一：使用spark提供的
转载
2023-09-12 10:35:16
217阅读
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
