اگر شما به دنبال گسترش دانش خود در مهندسی داده هستید یا می خواهید با اضافه کردن برنامه نویسی جرقه به مهارت مهارت خود، نمونه کارها را افزایش دهید، پس شما در جای مناسب قرار دارید. این دوره به شما در درک برنامه نویسی جرقه کمک خواهد کرد و این دانش را برای ساخت راه حل های مهندسی داده ها اعمال می کند. این دوره نمونه ای است که به دنبال یک رویکرد کار مانند کار است. ما یک رویکرد برنامه نویسی زنده و توضیح تمام مفاهیم مورد نیاز در طول مسیر را خواهیم گرفت.
در این دوره، ما با معرفی سریع به جرقه آپاچی شروع خواهیم کرد، سپس محیط زیست ما را با نصب و استفاده از جرقه آپاچی تنظیم می کنیم. بعد، ما در مورد مدل اجرای جرقه و معماری، و در مورد مدل برنامه نویسی جرقه و تجربه توسعه دهنده یاد خواهیم گرفت. بعد، ما بنیاد API ساختاری جرقه را پوشش خواهیم داد و سپس به منابع داده جرقه و غرق می شویم.
سپس ما پس از آن ما را پوشش داده ایم. ما همچنین جمع آوری ها را در جرقه آپاچی پوشش خواهیم داد و در نهایت ما را پوشش خواهیم داد.
در پایان این دوره، شما قادر خواهید بود راه حل های مهندسی داده ها را با استفاده از API ساختاری جرقه در پایتون ایجاد کنید.
همه منابع برای این دوره در https://github.com/packtpublishing/spark-programming-in-python-for-beginners-with-apache-spark-3 در دسترس هستند
عنوان اصلی : Spark Programming in Python for Beginners with Apache Spark 3
سرفصل های دوره :
معرفی آپاچی اسپارک:
تاریخچه کلان داده و پرایمر
درک چشم انداز دریاچه داده
آپاچی اسپارک چیست - مقدمه و مروری
نصب و استفاده از Apache Spark:
محیط های توسعه اسپارک
کاربران مک - Apache Spark در حالت محلی خط فرمان REPL
کاربران ویندوز - Apache Spark در حالت محلی خط فرمان REPL
کاربران مک - Apache Spark در IDE - PyCharm
کاربران ویندوز - Apache Spark در IDE - PyCharm
Apache Spark در Cloud - Databricks Community and Notebooks
آپاچی اسپارک در آناکوندا - نوت بوک Jupyter
مدل و معماری اجرای جرقه:
روش های اجرا - چگونه برنامه های Spark را اجرا کنیم؟
مدل پردازش توزیع شده Spark - برنامه شما چگونه اجرا می شود؟
حالت های اجرای جرقه و مدیران خوشه
خلاصه کردن مدل های اجرای جرقه - چه زمانی از چه چیزی استفاده کنیم؟
کار با PySpark Shell - نسخه ی نمایشی
نصب چند گره Spark Cluster - نسخه نمایشی
کار با نوت بوک در کلاستر - نسخه ی نمایشی
کار با Spark Submit - نسخه نمایشی
خلاصه بخش
مدل برنامه نویسی Spark و تجربه توسعه دهنده:
ایجاد پیکربندی ساخت پروژه Spark
پیکربندی گزارش های برنامه کاربردی پروژه Spark
ایجاد جلسه Spark
پیکربندی Spark Session
معرفی چارچوب داده
پارتیشن‌ها و اجراکننده‌های قاب داده
تحولات و اقدامات جرقه
مراحل و وظایف Spark Jobs
درک برنامه اجرایی شما
برنامه اسپارک تست واحد
خلاصه گرد کردن
Spark Structured API Foundation:
معرفی Spark API
معرفی Spark RDD API
کار با Spark SQL
Spark SQL Engine and Catalyst Optimizer
خلاصه بخش
منابع و سینک های داده Spark:
Spark Data Sources and Sinks
Spark DataFrameReader API
خواندن فایل‌های CSV، JSON و Parquet
ایجاد Spark DataFrame Schema
Spark DataFrameWriter API
نوشتن داده ها و مدیریت طرح
پایگاه های داده و جداول Spark
کار با جداول Spark SQL
تغییر قاب داده و مجموعه داده Spark:
مقدمه ای بر تبدیل داده ها
کار با ردیف های Dataframe
ردیف دیتا فریم و تست واحد
ردیف های قاب داده و داده های بدون ساختار
کار با ستون های Dataframe
ایجاد و استفاده از UDF
تغییرهای متفرقه
Aggregations در Apache Spark:
تجمیع قالب های داده
گروه‌بندی تجمیع‌ها
تجمیع‌های پنجره‌ای
پیوستن Spark Dataframe:
ابهام اتصالات قاب داده و نام ستون
اتصالات خارجی در Dataframe
داخلی Spark Join و Shuffle
بهینه سازی جوین های خود
اجرای اتصالات سطلی
به یادگیری ادامه دهید:
واژه پایانی
Spark Programming in Python for Beginners with Apache Spark 3
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
✨ تا ۷۰% تخفیف با شارژ کیف پول 🎁
مشاهده پلن ها
