《同花顺校招》专题

我有一张小桌子（2k）的记录和一张大桌子（5 mil）的记录。我需要从小表中获取所有数据，只从大表中获取匹配数据，因此我在下面执行了查询

IOException：找不到键类'com.test.serializetest.toto'的序列化程序。如果使用自定义序列化，请确保配置“io.serializations”配置正确。在org.apache.hadoop.io.sequenceFile$writer.init(sequenceFile.java:1179)在org.apache.hadoop.io.sequenceFile$wr

我有一个运行sql联接的火花作业。 我可视化的DAG和它创建+5阶段的每个加入。无论如何，在DAG有大约40个阶段的阶段之后，下一个步骤总是以异常失败，即在8次迭代之后，每个迭代有5个阶段。 每个节点3个实例(R3.2xLarge)=>12个执行器实例

我无法从亚马逊S3桶加载雪花中的外部表。外部表创建成功，但在运行select命令时，不会返回任何内容。奇怪的是COPY into命令对雪花中的同一个表起作用。 谢谢，纳维德

我正在做一些POC来从Databrics中的dataframe中加载雪花表。我已经成功地加载了表，但是它改变了表的结构。 请注意，主键约束消失了，FNT_DT_PK字段不再为not NULL，最后，每个VARCHAR字段的数据类型长度都更改为16777216。 我在Databricks中的python代码非常简单： 你知道为什么在雪花中改变了表的结构吗？

尝试从/向redshift读/写(s3中的数据）。但在访问数据帧时会出现奇怪的错误。我可以看到正在创建数据帧，并且它能够访问数据，因为它输出表的列名

并将其应用于数据表的一列--这是我希望这样做的： 我还没有找到任何简单的方法，正在努力找出如何做到这一点。一定有一个更简单的方法，比将数据rame转换为和RDD，然后从RDD中选择行来获得正确的字段，并将函数映射到所有的值，是吗？创建一个SQL表，然后用一个sparkSQL UDF来完成这个任务，这更简洁吗？

当我尝试使用start-slave.sh连接到主服务器时，spark：//master：port如这里所述 我正在得到这个错误日志 我尝试使用本地ip和本地名称访问主服务器（我设法同时使用和不使用密码ssh到主服务器、用户和root用户） 谢了！

我遵循这个链接制作一个CRF模型。我使用以下命令制作模型。 模型制作成功，但我的训练数据非常多，花费了太多时间。当我仔细观察系统中发生的事情时。它只使用了我电脑的一个核心 我能否以使用计算机多个核心的方式运行此命令？看起来它是作为单个线程实现的。是否支持多线程？如果是，请分享。

我有一个EMR作业，它读取大约1TB的数据，过滤它并对它进行重新分区（重新分区后有一些连接），但是我的作业在重新分区时失败，错误为“设备上没有空间”。我很想更改“spark.local.dir”，但没有用。我的工作只在D2.4xLarge实例上完成，但在具有类似内核和RAM的R3.4xLarge实例上失败。我找不到这个问题的根本原因。如有任何帮助，不胜感激。 谢谢你抽出时间。

与group by/join相比，我对在窗口上运行聚合函数的性能特征感兴趣。在本例中，我对具有自定义帧边界或顺序的窗口函数不感兴趣，而只是作为运行聚合函数的一种方式。 请注意，我只对大小适中的数据量的批处理（非流式）性能感兴趣，因此我禁用了以下广播连接。 例如，假设我们从以下DataFrame开始： 假设我们想要计算每个名称出现的次数，然后为具有匹配名称的行提供该计数。 根据执行计划，窗口化看起来

如何在2.1.1中存档相同的行为？ 谢谢你。

我试过在Spark中构建包，它会抛出以下错误。命令：sbt包 hduser@hduser-virtualbox:/usr/local/spark-1.1.0-bin-hadoop1/project$cat>simple.sbt name:=“简单项目” scalaVersion:=“2.9.2” libraryDependencies+=“org.apache.spark”%“spark-core

我正在尝试使用Databricks的spark-csv2.10依赖关系将一个数据帧写入到HDFS的*.csv文件。依赖关系似乎可以正常工作，因为我可以将.csv文件读入数据帧。但是当我执行写操作时，我会得到以下错误。将头写入文件后会出现异常。 当我将查询更改为时，write工作很好。 有谁能帮我一下吗？ 编辑：根据Chandan的请求，这里是的结果

关于如何使用传递的参数的任何线索。