什么是数据仓库
1.1 数据仓库的概念
官方定义
数据仓库是一个面向主题的、集成的、随时间变化的、但信息本身相对稳定的数据集合，用于对管理决策过程的支持。
这个定义的确官方，但是却指出了数据仓库的四个特点。
特点
面向主题：数据仓库都是基于某个明确主题，仅需要与该主题相关的数据，……继续阅读 »
jiajun
3个月前 (03-16) 60浏览 0评论
1个赞
工作流(ML Pipelines)例子
本节以逻辑斯蒂回归为例，构建一个典型的机器学习过程，来具体介绍一下工作流是如何应用的。我们的目的是查找出所有包含”spark”的句子，即将包含”spark”的句子的标签设为 1，没有”spark”的……继续阅读 »
jiajun
4个月前 (03-10) 56浏览 0评论
0个赞
一个典型的机器学习过程从数据收集开始，要经历多个步骤，才能得到需要的输出。这非常类似于流水线式工作，即通常会包含源数据 ETL（抽取、转化、加载），数据预处理，指标提取，模型训练与交叉验证，新数据预测等步骤。
在介绍工作流之前，我们先来了解几个重要概念：
DataFrame：使用 Spark SQL 中……继续阅读 »
jiajun
4个月前 (03-10) 46浏览 0评论
1个赞
kafka 安装
关于 Kafka 的概念和安装方法，请参考《kafka 测试节点安装》。在安装的时候，要注意，到 Kafka 官网下载安装文件时，一定要选择和自己电脑上已经安装的 scala 版本号一致才可以，spark2.4.0 使用 scala 版本号是 2.11，所以，一定要选择 Kafka 版本号是……继续阅读 »
jiajun
4个月前 (03-10) 62浏览 0评论
0个赞
核心概念
下面介绍 Kafka 相关概念,以便运行下面实例的同时，更好地理解 Kafka.
1. Broker
Kafka 集群包含一个或多个服务器，这种服务器被称为 broker
2. Topic
每条发布到 Kafka 集群的消息都有一个类别，这个类别被称为 Topic。（物理上不同 Topic ……继续阅读 »
jiajun
4个月前 (03-10) 51浏览 0评论
0个赞
为了让 Spark 能够访问 Hive，必须为 Spark 添加 Hive 支持。Spark 官方提供的预编译版本，通常是不包含 Hive 支持的，需要采用源码编译，编译得到一个包含 Hive 支持的 Spark 版本。
测试已经安装的 Spark 版本是否支持 Hive
现在让我们测试一下自己电脑上已……继续阅读 »
jiajun
4个月前 (03-03) 63浏览 0评论
0个赞
为了让 Spark 能够访问 Hive，必须为 Spark 添加 Hive 支持。Spark 官方提供的预编译版本，通常是不包含 Hive 支持的，需要采用源码编译，编译得到一个包含 Hive 支持的 Spark 版本。
spark 源码下载地址
https://mirrors.cnnic.cn/apa……继续阅读 »
jiajun
4个月前 (03-03) 56浏览 0评论
0个赞
安装 mysql
执行以下命令安装 mysql
sudo apt-get install mysql-server
验证
mysql -uroot -proot
mysql: [Warning] Using a password on the command line interface……继续阅读 »
jiajun
4个月前 (03-03) 79浏览 0评论
0个赞
Spark SQL 可以支持 Parquet、JSON、Hive 等数据源，并且可以通过 JDBC 连接外部数据源。这里介绍 spark 读取 Parquet。
Parquet 是一种流行的列式存储格式，可以高效地存储具有嵌套字段的记录。Parquet 是语言无关的，而且不与任何一种数据处理框架绑定在一起，适……继续阅读 »
jiajun
4个月前 (03-03) 39浏览 0评论
0个赞
Spark 官网提供了两种方法来实现从 RDD 转换得到 DataFrame，第一种方法是，利用反射来推断包含特定类型对象的 RDD 的 schema，适用对已知数据结构的 RDD 转换；第二种方法是，使用编程接口，构造一个 schema 并将其应用在已知的 RDD 上。
利用反射机制推断 RDD 模式
……继续阅读 »
jiajun
4个月前 (03-03) 33浏览 0评论
0个赞
