ToB企服应用市场:ToB评测及商务社交产业平台

标题: 云计算-Spark部分复习(自用) [打印本页]

作者: 祗疼妳一个 时间: 2024-7-13 02:50
标题: 云计算-Spark部分复习(自用)
SPARK（有操作）：
1. spark作业
2. spark-RDD（必考编程：常用算子 map groupby key flatmap-单词统计、单词排序）
3. spark-sql（和hive相似，大概有捆绑，如何操作*考的不深，不肯定编程必须相识操作判断选择题）
4. spark-streaming（看包、做作业，标题有变换）

一、Spark的代码特点:简洁易懂

二、Spark与Hadoop的对比

三、Spark架构
Spark的基本组件有Excutor,SparkContext和Task

四、Spark的运行基本流程

五、Yarn-cluster和yarn-client
Yarn-cluster适用于生产环境, Yarn-client适用于交互和调试

六、RDD简介

七、RDD的特点

八、Stage的概念
RDD有两种依靠，分别为宽依靠(wide dependency/shuffle dependency)和窄依靠(narrow dependency)
这里借用一下CSDN中杨林伟博主的介绍
1.窄依靠:父RDD的一个分区只会被子RDD的一个分区依靠
2.宽依靠:父RDD的一个分区会被子RDD的多个分区依靠(涉及到Shuffle)

九、Spark的核心原理
1.用户代码(如rdd1.join...)转换为有向无环图(DAG)后,交给DAGScheduler
2.有DAGScheduler把RDD的有向无环图分割成各个Stage的有向无环图形成TaskSet,再提交给TaskScheduler
3.有TaskScheduler把任务(Task)提交给每个Worker上的Executor执行据以的Task
4.在TaskScheduler中,是不知道各个Stage的存在的,运行的只有Task

十、Stage的概念

十一、RDD的转换与操作(门生的平均成绩计算)

十一、Spark中文件的读取与存储

详细步骤如下

十二、编写SparkWordCount(单词计数步伐)

十三、持久化

十四、Spark DataFrame基本操作
① DataFrame：DataFrame 是一种以 RDD 为基础的分布式数据集，类似于传统数据库的二维表格，带有 Schema 元信息(可以理解为数据库的列名和范例)。DataFrame = RDD ＋泛型 + SQL 的操作 + 优化
② DataSet：DataSet是DataFrame的进一步发展，它比RDD生存了更多的形貌信息，概念上等同于关系型数据库中的二维表，它生存了范例信息，是强范例的，提供了编译时范例检查。调用 Dataset 的方法先会生成逻辑计划，然后被 spark 的优化器进行优化，终极生成物理计划，然后提交到集群中运行！DataFrame = Dateset[Row]

DataFrame = RDD - 泛型 + Schema + SQL + 优化
DataSet = DataFrame + 泛型
DataSet = RDD + Schema + SQL + 优化

DataFrame是一种不可变的分布式数据集,被组织成指定的列,类似于关系数据库中的表
数据集的每一列都带闻名称和范例,对于数据的内部结构又很强的形貌性
RDD是分布式的Java对象的聚集,DataDrame是分布式的Row对象的聚集

十五、读取mysql数据库test的student表

十六、从Hive中的表创建DataFrame

十七、生存DataFrame

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)