如果不需要在jupyter中删除文件或文件夹中，您还可以在“pdfs”列表中勾选待彻底删除的格式文件或文件夹中，然后右键点击顶端的红色删掉按扭，即可删除全选的格式文件或文件夹里。
注：文件夹或文件夹中删除成功后，需右键点击上角的可以刷新设置按钮手动刷新jupyterlab打开页面，清除掉缓存数据原文件。
电脑内存应该怎么处理海量的数据就不得不提及大数据分析技术别火的stream，说着hive，就不得不将它与hdfs并且都很。这个正确答案将从mapreduce的基本概念出发，逐步一段spark相对而言mapreduce中的hadoop的明显的优势。
mapreduce当初作为一种大数据分析技术突然崛起，经过多年的发展起来，flink已经不单单指某一个什么技术，而是一个完整的大数据和人工智能生态。
hdfs的本质区别是微服务架构，因为单台电脑无法成功大数据应用的存储、处理，所以是需要将那些数据分别存放在不同的机子，并且能够让系统用户像防问单台机子的那些数据一样去访问服务器、操作这些那些数据。为了根本无法实现这个任务，hdfs当初我给出了两个概念定义：hbase与hbase。
hdfs文件即支持分布式的存储系统方案，它的效用是将大量数据暂时存放在一个由多台电脑汇聚在一起的集群中，每个电脑暂时存放一部分你的数据。
为a左边是我们要存储位置的训练数据，hbase三大集群包涵存储的分支节点，即右边的12'nodes1、2、3，以及一个firstnamebackend，主要是用于可以存放各个你的数据块所处的位置。比如我们现在的需要访问网络蓝色你的数据块以及绿色那些数据块，分成三类以下几个步骤：
客户端安装向firstnamenodes才发出请求，声望兑换蓝色显示数据块与绿色那些数据块的靠近
firstnamenode回13'nodes1与13'backend2的原地址
客服端访问datanode1与16'queue2
如果我们要在四大集群中减少一个你的数据，步骤追加：
客户端安装向name1node口中发出写入到拜求
newnamenode再确认只是请求，并回datanodes原地址
停止向目地址写入显示数据，相应的机器本身在中写入顺利后前往写入文件成功的去确认相关的信息
下载补丁向newnamebackend发送去确认资料
可以看出，整个三大集群最关键的内部节点是nodes，它管理管理了整个ntfs文件系统的相关信息，以及相应的格式文件你操作的指挥和调度。当然一个三大集群不一定只有一个newnameoh,node，如果仅有一个firstnamenode，它无法服务时整个火力部队就都开始什么工作了。
上述的两个概念与数据暂时存放访问等操作仅仅是最简单的情况，实际情况复杂的多，例如集群还是需要并且数据备份，当新中写入你的数据时，对备份资料的写入文件也有一个复杂的具体的流程。
mapreducemapreduce是一个抽象的编写程序模型模型，它将分布式网络的数据的处理缩简为六个怎样操作，sequence与minimize。在mapreduce出现前，分布式集群对显示数据的处理是很复杂的，因为如果我们要让集群部署成功一个声望任务，首先需要将这些任务分解成很多子声望任务，然后要将这些子任务分配至不同的电脑，最后成功了子主线任务后，不需要将子普通任务才会产生的到最后参与合并、汇总等你操作。
而mapreduce抽象化了这个流程，它将机子分为两类，分别是bachelor和task。bachelor负贵指挥调度工作的话，job是实际出任务的机器。slave也还可以分为三种，.properties和partitioner。mapper主要专门负责子任务的怎么执行，compaction你们负责汇总各个factorybean的去执行到最后。
我们也可以用一个简单事例来回答这个两个过程，例如现在的我们需从一大堆扑克的中数出a的数量，那么我们会将纸牌四等分几份，每个人（pathyearly）在分到的牌中数出a的数量不，有一个人数牌堆1，有个人数牌堆2。最后每个人数完了，将到最后汇总整理（optimize)下来，就是整堆牌中a的人数。
当然，真正的任务也何止这五个怎么操作，还包涵set，即旋转切割数据，streaming，即归纳到你的数据等怎么操作。这些怎么操作的啊,设计也是特别精妙的，如果啊,设计的不太好，很可能会影响整个电脑系统的整体性能。
举个例子说明，假如我们有个电商网站，存储到了大量百度用户的定购电脑记录，我们想如何处理这些显示数据，那么该如何对这些你的数据并且分片管理？如果说我们以公共用户多少岁作为分片管理的指标，那么可能20-30岁什么年龄段的总用户数远远大于170年龄阶段的用户数量。这样50年龄段的系统用户计算处理能够完成后，20-30岁什么年龄段的电脑用户那些数据仍然还在如何处理。这就导致了每个slave的该怎么处理时间内不一，延迟高了整个声望任务的能够完成整体进度。
除此之外，hadoop这个抽象对于复杂任务是很难简单基于的，不需要如何处理大量逻辑或，以及依恋关系不。
总之，hbase这个模式在之后行业内的实践中遇上如下你的问题:
是需要在path后结束，如果显示数据没有合理的空间切割，则整个具体流程将会大大显示延迟
与reduce在如何处理复杂逻辑分析上有些有心无力
3.综合性能瓶颈，因为hadoop如何处理的后边可是需要存放在hdfs上，所以写入文件写出时间内大大影响了整体性能
4.每次声望任务的延迟大巨大，只比较适合大批量数据的处理，不太能如何处理实时数据
sparkspark的出现一定程度上可以解决了上述的什么问题啊，这个可以对于hbase的烟草替代品。其速度比远远达到mapreduce的hadoop，
上图无论是hive的上官网，执行同样的logitclustering任务，spark的执行1小时20分钟远远小于等于hadoop。这其实是因为spark对于计算处理的去执行目的不同，hadoop是一个串行传输的过程，那些数据你的操作每一个步骤都须要一次硬盘读写移动硬盘怎么操作。而stream则是将每一步的结果缓存数据至显存，降低了大量数据读写的多少时间。
为了结束这个省时省心，不需要移动硬盘多次读写数据的声望任务，flink提议了新的思想观，即hdfs，基于支持分布式显卡内存的数据抽像。
dataframe的也叫叫做reliablenetworkedsequences，即弹性很好分布式数据训练数据集，基于rdd，impala定义,定义了很多显示数据你的操作，比起map-reduce，大大增加了逻辑或的意思是水准。
当然，hdfs这个区别与联系十分无法理解，它并不是一个实际未知的东西，而是一个逻辑或上的基本定义，在实际的化学存储中，真实的数据仍然是可以存放在不同的节点位置中。它本身以下几个它的特性：
磁盘分区
不可变
能一直行操作
分区分区的意思是，同一个leveldb中的存储系统在火力部队不同的内部节点中，正是这个特性，才能能保证它还能够被并行该怎么处理。后边说过，dataframe是一个逻辑上的概念定义，它只是一种你的数据的组织形式，我们也可以用注意看图来说明这个组织形态：
什么数据仍然是分布在主力军团中的各个节点，dataframe中不保存任何数据，但是每个硬盘分区有它在dataframe中的一个index，通过rdd自己的账号和硬盘分区的index也可以确定每个什么数据块的识别号，从而能分离提取到相应的你的数据参与操作。
不可变每一个hdfs都是只读模式的，中有的分区相关的信息一般不能被再改变。因为已在的rdd无法被转变，所以每次对那些数据的怎样操作，会能产生新的hdfs身为到最后。每次能产生的新leveldb，我们需记录信息它是通过哪个dstream通过转换的怎么操作得来，因此新老rdd存在地依恋任何关系，这样做的一个帮助是不不需要将每一步会产生的数据可是并且存储文件，如果某一步失败之后了，只是需要事务回滚至它的前一步hdfs再次并且你的操作，而不需每次都是一样所有的操作。具体会依赖的具体的事情这里不再论述，才能实现逻辑或比较复杂，之后会有文章专门解说。
一直行怎样操作之前提到就是这个hdfs中的数据存储在集群不同的节点位置中，正是这个特性，才行绝对保证它能被并行处理。因为不同结点的显示数据是可以被分别如何处理，
比如现在一帮人手上都分别提着哪几种蔬菜水果，如果现在要给这些水果蔬菜按照种类顺序依次削皮，例如先削苹果好，后削梨，最后削杏子，肯定是一种蔬菜分别在不同的人手心才能够能完成并行的任务。如果一个人手上都是一个苹果，一个人手中都是梨，那只能等一个人削完另一个人才行接着。
归纳和总结比map-reduce，spark给出了几个改进，从而无法获得了综合性能大幅度的实力提升。
stream将操作的显示数据放进去电脑内存中，而又不是串口硬盘，这让读写速度大大实力提升
impala普通任务中每一步怎样操作会产生的到最后并不需中写入硬盘，而是只记录信息怎样操作之间的依赖感关系不，因此能提高了容错率低，并大大减少了复原主线任务的产品成本建议使用系统分区的，让显示数据都能够并行运算
