1回答
我有一个问题，我想在Spark中实现一个递归算法，并希望了解是否有任何建议可以在Spark中构建它，或者探索其他可能更适合的数据分析框架。我正在尝试以一种可以利用整个算法并行化的方式来做这件事。构建一个在单个节点上运行的解决方案是很简单的(例如，spark master)，但假设目录结构非常大，具有O(十亿)个叶节点。对于使用Spark或其他框架/数据处理技术构建递归/迭代类型的数据管道，有什么建议吗？
浏览 37提问于2021-06-24得票数 0
随着see在市场上的增长，我可以看到spark在Hadoop上的主要用例如下：
而且处理得很快。
火花会在未来几天取代Hadoop吗？
浏览 0提问于2015-07-08得票数 3
回答已采纳
如何在安装自定义版本的Spark的同时保持与Cloud Dataproc工具的兼容性？
浏览 3提问于2018-04-12得票数 3
1回答
我有一个pgAdmin数据库，它在geojson format.Using中包含数百万行，这个表是我创建的Tableau仪表板。由于行包含geojson格式的数据，所以我必须这样查询：jsondata -> 'properties' ->> 'qq',,jsondata -> 'properties' -&g
浏览 4提问于2020-04-10得票数 0
2回答
我正在读一篇关于Apache Spark的文章，我发现了以下几句话：搜索web生成关于一次通过编译器和多通道编译器之间差异的结果(例如，请参阅)。但是，我不太确定答案是否也适用于数据处理。有人能解释一下什么是单通计算和多通计算吗?为什么后者更好，因而在火花中使用？
浏览 5提问于2019-10-16得票数 1
回答已采纳
目前我正在使用AWS电子病历进行数据处理。S3被用作着陆区域和最终处理的数据。来自S3的最终处理数据将被加载到Redshift中，以便客户运行Analytics。Spark创建了一个用于数据处理的中间文件夹，我们从该文件夹将最终处理的数据压缩到另一个S3 Bucket。spark.conf.set('spark.sql.sources.partitionOverwriteMode', 'dynamic
浏览 2提问于2020-10-04得票数 0
2回答
我是Apache Spark的新手，不知道它是否适合我的特定场景。在我的例子中，我正在抓取小的数据集(作为MongoDB的JSON文件)。我正在尝试的是对这些数据文件运行机器学习(分类/回归)算法，并从中获取信息。
当你考虑这种情况时，你认为Spark有资格在集群环境中通过并行处理来加速吗？或者你认为我应该收敛到一些其他的选择？
浏览 5提问于2017-06-11得票数 0
我知道我可以使用spark.read.jdbc传递查询，但在本例中，我想在数据加载后添加一个唯一约束。其目的是通过减少创建唯一索引的时间来加速到db中的数据加载过程。
浏览 22提问于2020-06-02得票数 0
回答已采纳
1回答
星星之火的概念是否进入了spark或Spark。传统上，数据访问似乎属于Spark。但是，纠正我的错误，数据处理似乎也能够处理实时数据，所以我进入了这个问题。
浏览 2提问于2017-06-29得票数 0
回答已采纳
我一直在尝试使用一个PySpark作业来创建包含一堆二进制文件的RDD，然后我使用flatMap操作将二进制数据处理成一堆行。所以我打开了spark-shell和PySpark，并使用默认设置运行了REPL/shell中的命令，唯一的附加参数是--master yarn. spark-shell版本可以工作，而PySpark版本显示了相同的运行PySpark有那么大的开销吗？或者这是binaryFiles是新的问题吗？我使用的是Spark版本2.2.0.2.6.4.0-91。
浏览 1提问于2018-08-11得票数 0
1回答
我正在为运行Kafka->Spark->Cassandra工作负载在AWS上创建DC/OS集群。我可能会使用m3.size或r3大型实例。
浏览 3提问于2016-05-17得票数 2
回答已采纳
上下文:我想把Avro文件读入Spark作为RDD。我想知道，如果我可以访问Avro数据模式，是否可以一次解析一行Avro文件。
我正在使用pyspark来编写我的spark作业。
浏览 1提问于2015-12-12得票数 1
我正在尝试使用Spark每小时执行一次流数据处理，但我希望它开始时接近xx:00:00 (xx是小时id)。这是可能的，还是违背了Spark的意识形态？
浏览 1提问于2018-08-09得票数 0
我对Spark2.1中的join有一个问题。Spark (错误的？)选择广播散列join，尽管该表非常大(1400万行)。然后作业崩溃，因为没有足够的内存，Spark以某种方式尝试将广播片段持久存储到磁盘，这将导致超时。所以，我知道有一个查询提示可以强制广播连接(org.apache.spark.sql.functions.broadcast)，但是有没有办法强制另一个连接算法呢？我通过设置spark.sql.autoBroadcastJoinThreshold=0解决
浏览 32提问于2018-01-08得票数 7
1回答
当我们已经有Spark的时候，Akka在SMACK架构中的作用是什么？SMACK是由Spark提供的关于数据处理的，那么我们为什么需要Akka呢？
浏览 0提问于2016-11-04得票数 0
我一直在查找Spark和MapReduce之间的区别，我真正发现的是Spark在内存和磁盘上运行，这使得它的速度大大加快。但想必，使用Spark，您无论如何都会在内存和磁盘之间移动数据，因此如果内存空间不足，您可以将一些数据移回磁盘，然后引入新数据进行处理。
基本上，还有没有真正的理由继续使用MapReduce？
浏览 0提问于2018-05-02得票数 0
我需要在输入数据文件到达时通过执行spark2-submit来处理它们，以通过pyspark脚本处理输入文件。我观察到的是，对于每个spark2--submit，spark在进行最新输入文件的数据处理之前都会进行大量的初始化。这会导致延迟。如何在spark2提交之间保持Spark集群的活动状态？单独但相关的问题:除了spark2-submit之外，还有什么机制可以用来向spark提交有效负载？
提前感谢你的见解。
浏览 2提问于2017-12-06得票数 2
我需要从一个文件中读取一个大的数据集，将它转换成一个火花矩阵，并在这个矩阵上运行一些机器学习算法。我想测试机器学习算法的速度。由于Spark总是被延迟评估，因此很难对机器学习算法进行基准测试。这样我就可以在运行机器学习算法之前先解析输入文件了吗？
谢谢你，爸爸
浏览 7提问于2016-03-19得票数 3
回答已采纳
0回答
我在云4.1，Ambari 2.2.0和Spark 1.6.1上使用BigInsigths，连接是scala还是python都没关系，但我需要用spark做数据处理，然后在BigSql中持久化它。
浏览 11提问于2017-06-10得票数 0
云服务器
ICP备案
云直播
腾讯会议
对象存储
腾讯云开发者
