You cannot select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
1.8 KiB
1.8 KiB
Лабораторная 2. Формирование отчётов в Apache Spark
Задание
Сформировать отчёт с информацией о 10 наиболее популярных языках программирования по итогам года за период с 2010 по 2020 годы. Отчёт будет отражать динамику изменения популярности языков программирования и представлять собой набор таблиц "топ-10" для каждого года.
Получившийся отчёт сохранить в формате Apache Parquet.
Для выполнения задания вы можете использовать любую комбинацию Spark API: RDD API, Dataset API, SQL API.
Набор данных
Архивы сайтов Stack Exchange доступны по адресу https://archive.org/details/stackexchange.
В папке data данного репозитория вам доступны:
- выборка данных
posts_sample.xml(из stackoverflow.com-Posts.7z), - файл со списком языков
programming-languages.csv, собранных с вики-страницы https://en.wikipedia.org/wiki/List_of_programming_languages.
Рекомендуется отлаживать решение на небольшой выборке данных posts_sample.xml.
Ссылки на источники
- https://spark.apache.org/docs/latest/sql-programming-guide.html
- http://timepasstechies.com/spark-dataset-api-examples-tutorial-20/
- https://jaceklaskowski.gitbooks.io/mastering-spark-sql/
- https://en.wikipedia.org/wiki/OLAP_cube
- http://homepage.cs.latrobe.edu.au/zhe/ZhenHeSparkRDDAPIExamples.html
- https://sparkbyexamples.com/