一、普通的实现方式 val data: RDD[String] = sc.parallelize(Array("aa 200 3000", "bb 200 4000", "cc 999 3000", "dd 10 20000")) data.map(x => { val splits: Array[String] = x.split(...

Spark作业在运行的时候应该分配足够多的资源， 在一定范围内， 增加资源和性能提升是成正比的。 提交到Yarn上时， 相关配置: --driver-memory Driver的内存 --executor-memory Executor的内存...

当有多个消费者和多个分区时， 该如何分配它们？配置项partition.assignment.strategy决定了分配策略。 range (默认) 配置为org.apache.kafka.clients.consumer.RangeAssignor 对于每一个Top...

窄依赖(Narrow Dependency)： 一个父RDD的Partition只能被子RDD的某一个Partition使用一次 宽依赖(Wide Dependency)：发生了Shuffle。一个父RDD的Partition只能被子RDD的某一个Partition使用...

持久化算子可以将计算结果保存起来， 不必重新计算。 相关源码 持久化算子cache, persist, unpersist源码如下： /** * Persist this RDD with the default storage level (`MEMORY_ONLY`). *...

名称 解释 Application 被提交的Spark作业。由一个Driver和多个Executor构成。 Driver program 运行main主函数并创建SparkContext的进程。 Cluster manager 获取资源的额外服务 Worker node ...

当使用hdfs sink时 有可能会产生严重的小文件问题。 通过配置rollInterval, rollSize, rollCount三个参数来缓解小文件问题。 a1.sinks.hdfssink.type = hdfs a1.sinks.hdfssink.hdfs.path .....

yarn 的执行流程 Spark Application Spark与MapReduce的区别 MapReduce是基于进程的， mapTask、reducerTask 都是进程。当task完成了， 这个进程就结束了。 Spark是基于线程的， 多个task并行...

Spark的累加器Accumulator中, Executor内只能做add操作， 只有Driver才能读取它的值。 val doubleAcc: DoubleAccumulator = sc.doubleAccumulator("doubleAcc") val collAcc: CollectionAccu...

当Spark程序运行时， 会开启一个web服务显示该程序的详细信息， 但是程序运行完过后便不再能访问这个页面了。 开启Spark的HistoryServer后， 可以记录并显示这些信息。 配置 编辑 spark-defa...

外部数据源 如果使用了基于receiver的数据源， 则receiver会占用一个进程来接受数据， 如果运行的环境上只有一个cpu核心， 那么SparkStreaming程序无法正常运行。 相关transformation算子 tr...

准备工作： 创建hive分区表 create table login_origin( created_date string, event_id string, dev_mac string, domain string, session_id string, dev_name string, country string, la...

使用KafkaUtil来实现SparkStreaming的对接。 KafkaUtil共有两个版本： spark-streaming-kafka-0-8 spark-streaming-kafka-0-10 kafka version 0.8.2.1 or higher 0.10.0 or higher Offset C...

使用flume kafka sink时， 启动flume抛出异常 Sink kafkasink has been removed due to an error during configuration org.apache.flume.conf.ConfigurationException: Bootstrap Servers m...

步骤 复制hive-site.xml、hdfs-site.xml文件至项目的资源文件夹。 maven中引入spark-hive_2.11以及访问元数据数据库所需要的依赖如mysql-connector-java <dependency> <groupId>org.apache.s...

启动HDFS时， 突然NameNode无法启动。 日志上抛出如下异常： Failed to load image from FSImageFile(file=/dfs/nn/current/fsimage_0000000000000020745, cpktTxId=0000000000000020745) ja...

使用DBeaver连接hive1.1.0时， 会抛出Required field 'client_protocol' is unset的异常， 原因是默认的驱动不匹配。 解决方案： 将$HIVE_HOME/jars下的hive-jdbc-1.1.0-cdh5.16.1-standalon...

若Spark读取HDFS文件夹时， 其中的小文件过多会降低程序性能，也给HDFS带来压力。 当Spark读取文件时， 会为每个文件的数据分配一个Partition， 可以使用coalesce算子减少rdd中的分区。 首先...

使用flume接受avro数据时， 抛出异常 org.apache.flume.ChannelFullException: Space for commit to queue couldn't be acquired. Sinks are likely not keeping up with sources, or the bu...

1. 下载flume源码， 并将Taildir Source相关源码复制到自己的项目中。 本例使用的源码为 flume-ng-1.6.0-cdh5.16.1 相关代码文件有： ReliableTaildirEventReader.java TaildirMatcher Taild...