已经整体看完一遍，目前正在重新复读一遍。其中总结摘要，其二加深数据整体的处理流理解

感谢老师。推荐的google论文都看了两遍，顺带也看了一些其他论文，回头再来看课程，感觉好理解多了。 关于物联网、人工智能的展望，也很有启发性～再次感谢。

感谢蔡老师的辛勤付出！通过专栏学习，开拓了视野，提高了见识。

老师是有信仰的一个人，任何愿意分享技术都是很有魅力的。你女朋友应该感到自豪：）谢谢三个月的陪伴！Good luck in your new journey! Hopefully see you again on Geek’s Time! Cheers!

老师，诚挚之眼，感人肺腑，我们下一门课程相见。

例子很好！

终于跑通了，不容易啊，刚开始数据集没下载正确。有空值，老师给的数据集较干净。 别的数据集，要记得去除空值。 下面是实践代码jupyter https://github.com/LearningChanging/spark-exercise/blob/master/19/CaliforniaHousing.ipynb

实践成功 demo.txt: I hava a dog He has a Dog RDD写法： [('I', 1), ('hava', 1), ('a', 2), ('dog', 1), ('He', 1), ('has', 1), ('Dog', 1)] [('a', 2), ('I', 1), ('hava', 1), ('dog', 1), ('He', 1), ('has', 1), ('Dog', 1)] DF写法： [Row(word='dog', count=1), Row(word='He', count=1), Row(word='Dog', count=1), Row(word='I', count=1), Row(word='a', count=2), Row(word='hava', count=1), Row(word='has', count=1)] [Row(word='a', count=2), Row(word='I', count=1), Row(word='Dog', count=1), Row(word='hava', count=1), Row(word='dog', count=1), Row(word='has', count=1), Row(word='He', count=1)] 从启动到出结果，DF写法速度要比rdd慢。

今天开始走第二遍阅读

学习心得： 消息队列有2个重点： 1. 解耦合——vs. 观察者模式实现相同效果，而且每次都要和观察者协商消息格式） 2. 高伸缩性——消息队列可以作为一个“独立”的“分布式存储”，专业团队维护。 apache kafka: Producer -> topics -> Consumer 发布/订阅模式限制： 1. 发送之后，无法做到接收方实时响应； 2. 只能满足“最终一致性，不能满足强一致性” （知乎有篇文章很好：https://zhuanlan.zhihu.com/p/67949045）