本篇文章主要涉及的知识点有：Hadoop及其生态系统：了解Hadoop的由来以及Hadoop生态系统。Spark的核心概念：掌握Spark的基本概念和架构。Spark基本操作：了解Spark的几种常见操作。SQL in Spark概述：了解Spark相关数据统计可以用SQL来操作。Spark与机器学习：了解Spark MLlib库种的几种机器学习算法。Part 1 Hadoop与生态系统Hadoo
1.对查询进行优化，应尽量避免全表扫描，首先应考虑在 where 及 order by 涉及的列上建立索引。2.应尽量避免在 where 子句中对字段进行 null 值判断，否则将导致引擎放弃使用索引而进行全表扫描，如：
select id from xuehi.com where num is null
可以在num上设置默认值0，确保表中num列没有null值，然后这样查询：
select i
转载
2023-07-29 18:25:19
74阅读
文章目录2.1 概述2.2 Hadoop项目结构2.3 Hadoop的安装与使用2.4 Hadoop集群 2.1 概述• Hadoop是Apache软件基金会旗下的一个开源分布式计算平台，为用户提供了系统底层细节透明的分布式基础架构 • Hadoop是基于Java语言开发的，具有很好的跨平台特性，并且可以部署在廉价的计算机集群中 • Hadoop的核心是分布式文件系统HDFS（Hadoop Di
转载
2023-08-13 17:57:47
203阅读
我们已经进入了大数据处理时代，需要快速、简单的处理海量数据，海量数据处理的三个主要因素：大容量数据、多格式数据和速度， DMCTextFilter和HTMLFilter是由北京红樱枫软件有限公司研制和开发的纯文本抽出和HTML转换通用程序库产品。本产品可以从各种各样的文档格式的数据中或从插入的OLE对象中，快速抽出纯文本数据信息和转换成HTML文件。便于用户实现对多种文档数据资源信息进行统一管理，编辑，检索和浏览。
原创
2014-06-10 10:39:06
937阅读
我们已经进入了大数据处理时代，需要快速、简单的处理海量数据，海量数据处理的三个主要因素：大容量数据、多格式数据和速度， DMCTextFilter和HTMLFilter是由北京红樱枫软件有限公司​研制和开发的纯文本抽出和HTML转换通用程序库产品。本产品可以从各种各样的文档格式的数据中或从插入的OLE对象中，快速抽出纯文本数据信息和转换成HTML文件。便于用户实现对多种文档数据资源信息进行统一管理，编辑，检索和浏览。
原创
2014-06-13 18:30:03
863阅读
我们已经进入了大数据处理时代，需要快速、简单的处理海量数据，海量数据处理的三个主要因素：大容量数据、多格式数据和速度， DMCTextFilter和HTMLFilter是由北京红樱枫软件有限公司研制和开发的纯文本抽出和HTML转换通用程序库产品。本产品可以从各种各样的文档格式的数据中或从插入的OLE对象中，快速抽出纯文本数据信息和转换成HTML文件。便于用户实现对多种文档数据资源信息进行统一管理，编辑，检索和浏览。
原创
2014-06-25 17:17:56
915阅读
前言在日常工作中，数据处理和分析在研发、产品和运营等多个领域起着重要的作用。在海量数据处理和分析中，SQL 是一项基础且重要的能力。一个优秀的 SQL Boy 和茶树姑的 SQL 代码除了保持简单、可读和易于维护的样式风格外，还需要具备良好的执行性能，准确且高效的计算出结果才能让你在工作中决胜于千里之外。影响 SQL 执行性能的主要因素可以总结为如下几项：计算资源量（CPU，内存，网络等）；计算数
转载
2024-04-10 12:53:09
86阅读
在使用Python前，首先要了解数据分析是用来做什么的，数据分析顾名思义就是利用数据解释现象，并分析现象的原因，那用来分析的数据必须是可靠的，才能准确的支持分析结果，但往往在数据收集阶段有许多原因导致数据集较为混乱，所以在拿到数据后首先要进行的就是数据的清洗：数据集多少数据？ 包含了什么字段？字段格式是什么？ 字段分别代表什么意义？字段之间的关系是什么？可以用做什么分析？或者说能否满足了对分析的要
转载
2023-08-13 13:24:07
31阅读
终极Hadoop大数据教程包含 MapReduce、HDFS、Spark、Flink、Hive、HBase、MongoDB、Cassandra、Kafka 等的数据工程和 Hadoop 教程！课程英文名：The Ultimate Hands-On Hadoop - Tame your Big Data!此视频教程共17.0小时，中英双语字幕，画质清晰无水印，源码附件全下载地址课程编号：307 百度
转载
2023-11-17 20:37:23
232阅读
第一章 Spark 性能调优1.1 常规性能调优1.1.1 常规性能调优一：最优资源配置Spark性能调优的第一步，就是为任务分配更多的资源，在一定范围内，增加资源的分配与性能的提升是成正比的，实现了最优的资源配置后，在此基础上再考虑进行后面论述的性能调优策略。资源的分配在使用脚本提交Spark任务时进行指定，标准的Spark任务提交脚本如代码清单2-1所示
转载
2023-11-17 11:46:37
141阅读
最近在整理整理java大数据处理这一系列的文章,在网上发现一个java写excel文件的方式,非常的有技巧，并且性能非常高,我在自己机器上简单的操作了一下，感觉非常的棒
这里就把这个方法和大家分享一下，一起讨论一下这种方式的成熟度.
简单说明
转载
2023-07-10 21:16:02
198阅读
作者: Divakar等摘要：大数据解决方案的逻辑层可以帮助定义和分类各个必要的组件，大数据解决方案需要使用这些组件来满足给定业务案例的功能性和非功能性需求。这些逻辑层列出了大数据解决方案的关键组件，包括从各种数据源获取数据的位置，以及向需要洞察的流程、设备和人员提供业务洞察所需的分析。 概述 这个 “大数据架构和模式” 系列的 第 2 部分 介绍了一种评估大数据解决方案可行性的基于维度的方
转载
2023-07-08 15:59:04
171阅读
目录零、本节学习目标一、Spark的概述（一）Spark的组件1、Spark Core2、Spark SQL3、Spark Streaming4、MLlib5、Graph X6、独立调度器、Yarn、Mesos（二）Spark的发展史1、发展简史2、目前最新版本二、Spark的特点（一）速度快（二）易用性（三）通用性（四）兼容性（五）代码简洁1、采用MR实现词频统计2、采用Spark实
转载
2023-08-08 10:02:29
233阅读
目录一、概述1）Spark特点2）Spark适用场景二、Spark核心组件三、Spark专业术语详解1）Application：Spark应用程序2）Driver：驱动程序3）Cluster Manager：资源管理器4）Executor：执行器5）Worker：计算节点6）RDD：弹性分布式数据集7）窄依赖8）宽依赖9）DAG：有向无环图10）DAGScheduler：有向无环图调度器11）Ta
转载
2023-07-18 22:26:12
116阅读
大数据时代：大数据无处不在！ 大数据的主要分析逻辑： 1.做全样而非抽样的分析 2.追求效率 3.追求事件的相关性并非因果 大数据的关键技术 大数据基本处理流程：数据采集、存储管理、处理分析、结果呈现等环节。主要：数据存储与管理（分布式存储）集群 数据处理与分析（分布式处理）集群技术层面： 数据采集与预处理 数据存储和管理 数据处理与分析
转载
2023-07-29 18:56:51
170阅读
DataFrame是一个以命名列方式组织的分布式数据集。本文详细讲解 Spark Dataframe的创建方式，Dataframe数据的Agg、Collect、Groupby、Join等核心操作，以及Spark SQL操作核心要点。
原创
2022-03-12 12:35:40
8963阅读
点赞
刚接触大数据一个月，把一些基本知识，总体架构记录一下，感觉坑很多，要学习的东西也很多，先简单了解一下基本知识什么是大数据：大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据的5V特点：Volume（大量）、Velocity（高速）、Variety（多
转载
2024-01-11 13:08:14
35阅读
大数据的世界不只是一个单一的、巨大的计算机网络，而是一个由大量活动构件与多元参与者元素所构成的生态系统，终端设备提供商、基础设施提供商、网络服务提供商、网络接入服务提供商、数据服务使能者、数据服务提供商、触点服务、数据服务零售商等等一系列的参与者共同构建的生态系统。大数据，指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程
转载
2024-02-29 08:58:42
46阅读
大数据工具可以帮助大数据工作人员进行日常的大数据工作，以下是大数据工作中常用的工具：1. HivemallHivemall结合了面向Hive的多种机器学习算法。它包括诸多高度扩展性算法，可用于数据分类、递归、推荐、k最近邻、异常检测和特征哈希。支持的操作系统：与操作系统无关。2. MahoutMahout 是 Apache Software Foundation（ASF） 旗下的一个开源项目，提供
转载
2023-07-20 17:50:11
67阅读
对于任何一个进入大数据世界的人来讲，大数据和Hadoop 就成了同义词。随着人们学习了大数据生态系统及其工具和运作原理，他们更能理解大数据的实际意义以及Hadoop 在生态系统中所扮演的角色。百科对大数据这样解释：大数据是一个宽泛的术语，它指传统数据处理应用程序无法处理的巨大而复杂的数据集。简单来讲，随着数据量的增加，采用常规处理方法需要花费大量时间且价格不菲。Doug Cutting受
转载
2023-08-21 17:40:13
133阅读
