先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新大数据全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip204888 (备注大数据)
正文
spark框架概述
什么是spark
用于大规模数据处理的统一分析引擎
特点:对任意类型(结构化、半结构化、非结构化)的数据进行自定义计算
起源
2009年起源加州伯克利
2010年开源
2013年原创团队成立databricks;同年被捐给apache基金会
2014年成为apache顶级项目
2016年spark2.0
2019年spark3.0
spark VS hadoop(mapreduce)
spark相对hadoop有优势,但不能完全取代:
- 计算层面:spark相比mapreduce有巨大优势,但至今有很多基于MR架构的计算工具,如hive
- spark仅做计算:hadoop不仅有计算(mapreduce),也有存储(hdfs),资源管理调度(yarn);hdfs和yarn仍然是很多大数据体系的核心架构
spark特点
- 速度快:100x mapreduce(支持内存计算,并通过DAG(有向无环图)来完成数据的迭代计算)
- spark处理数据时,将中间数据结果存储到内存中(hadoop存储在硬盘中,读取硬盘)
- spark提供丰富的算子(API),做到复杂任务在一个spark程序中完成(mapreduce只有两个算子:map和reduce)
- 易使用:python、Java、Scala、R
df = spark.read.json("log.json")
df.where("age">21).select("name.first").show(()