2025-11-05 : données massives et spark

Spark est une solution logicielle qui permet de manipuler de très grands jeux de données de façon distribuée.

• problème pour lesquels spark est adapté : gestion de logs, apprentissage de modèles de machine learning

• map/reduce et notion d’itérateurs, illustration avec python, map, filter, combiner (join)

• distribution, hash

• HDFS: système de fichier distributés

• duplication

• spark en local : RDD, Dataframe, collect

• multiplication de matrice avec spark : Multiplication de matrices

• sparkmllib : Spark et MLlib

• quelques problèmes sympatiques : Reservoir Sampling distribué, jointure déséquilibrée : Skewed dataset

• spark sur un cluster kubernetes

• spark sur SSPCloud, Spark Kubernetes Cluster