"Learning PySpark by Tomasz Drabas" 本书《Learning PySpark》由Tomasz Drabas撰写,旨在帮助读者深入了解和掌握Apache Spark的使用,特别是通过PySpark接口进行大数据处理。这本书覆盖了从Spark的基础概念到高级特性,包括Spark 2.0架构的更新。 1. **理解Spark** Apache Spark是一个用于大规模数据处理的开源计算框架,它提供了一个统一的编程模型,支持多种计算任务,如批处理、交互式查询、流处理和机器学习。Spark的主要特点是其内存计算能力,通过将数据存储在内存中,显著提高了数据处理的速度。Spark Jobs是执行数据处理任务的基本单元,而APIs则允许开发者以多种语言(如Python、Java、Scala)编写Spark应用。 - **执行过程**:Spark的工作原理是将大型数据集分割成多个小部分,称为分区,然后并行地在集群节点上执行任务。 - **Resilient Distributed Dataset (RDD)**:RDD是Spark的核心数据结构,是不可变的、容错的分布式数据集合。 - **DataFrames**:在Spark 1.6中引入,是DataFrame API,提供了更高级别的SQL-like抽象,方便数据操作。 - **Datasets**:在Spark 2.0中进一步发展,结合了RDD的性能和DataFrame的易用性,提供了类型安全的数据处理。 - **Catalyst Optimizer**:是Spark的查询优化器,负责转换和优化DataFrame和Dataset的查询计划。 - **Project Tungsten**:是Spark的一个子项目,专注于优化内存管理和执行效率,通过字节码生成技术提高性能。 - **Spark 2.0架构**:引入了统一的SparkSession接口,简化了数据处理,并在DataFrame和Dataset之间实现了统一。 2. **Resilient Distributed Datasets (RDD)** RDD是Spark的基础,内部工作原理涉及数据分区、血统(lineage)以及容错机制。创建RDD可以通过转换现有数据源或通过Spark的`parallelize()`函数。RDD有两大类操作:transformations和actions。 - **Transformations**:这些操作不会立即执行,而是创建一个新的RDD。例如: - `map()`:对每个元素应用一个函数。 - `filter()`:根据条件过滤出元素。 - `flatMap()`:与map类似,但可以返回多个结果。 - `distinct()`:去除重复项。 - `sample()`:随机采样RDD的元素。 - `leftOuterJoin()`:连接两个RDD,保留左RDD的所有记录。 - `repartition()`:重新分区RDD以改变数据分布。 - **Actions**:这些操作触发实际计算并返回结果,如: - `take()`:从RDD中取出指定数量的元素。 本书还涵盖了RDD的创建、模式定义、从文件读取数据、Lambda表达式的使用、作用域、数据转换及获取结果等主题,对于想要深入学习PySpark的读者来说是一份宝贵的资源。此外,书中还提到了Spark的高级特性,如Structured Streaming和持续应用,这些在处理实时数据流时非常重要。通过学习,读者将能够熟练地利用PySpark处理大规模数据,构建高效的数据处理系统。
![](https://csdnimg.cn/release/download_crawler_static/9846940/bg10.jpg)
![](https://csdnimg.cn/release/download_crawler_static/9846940/bg11.jpg)
![](https://csdnimg.cn/release/download_crawler_static/9846940/bg12.jpg)
![](https://csdnimg.cn/release/download_crawler_static/9846940/bg13.jpg)
![](https://csdnimg.cn/release/download_crawler_static/9846940/bg14.jpg)
剩余379页未读,继续阅读
![epub](https://img-home.csdnimg.cn/images/20210720083646.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![doc](https://img-home.csdnimg.cn/images/20210720083327.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://profile-avatar.csdnimg.cn/d0f404fe1ed5411baa9726a2d73d1760_jantacy.jpg!1)
- 粉丝: 0
- 资源: 14
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- 多模态联合稀疏表示在视频目标跟踪中的应用
- Kubernetes资源管控与Gardener开源软件实践解析
- MPI集群监控与负载平衡策略
- 自动化PHP安全漏洞检测:静态代码分析与数据流方法
- 青苔数据CEO程永:技术生态与阿里云开放创新
- 制造业转型: HyperX引领企业上云策略
- 赵维五分享:航空工业电子采购上云实战与运维策略
- 单片机控制的LED点阵显示屏设计及其实现
- 驻云科技李俊涛:AI驱动的云上服务新趋势与挑战
- 6LoWPAN物联网边界路由器:设计与实现
- 猩便利工程师仲小玉:Terraform云资源管理最佳实践与团队协作
- 类差分度改进的互信息特征选择提升文本分类性能
- VERITAS与阿里云合作的混合云转型与数据保护方案
- 云制造中的生产线仿真模型设计与虚拟化研究
- 汪洋在PostgresChina2018分享:高可用 PostgreSQL 工具与架构设计
- 2018 PostgresChina大会:阿里云时空引擎Ganos在PostgreSQL中的创新应用与多模型存储
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)