2016年11月8日
spark 资源参数调优
摘要： 资源参数调优 了解完了Spark作业运行的基本原理之后，对资源相关的参数就容易理解了。所谓的Spark资源参数调优，其实主要就是对Spark运行过程中各个使用资源的地方，通过调节各种参数，来优化资源使用的效率，从而提升Spark作业的执行性能。以下参数就是Spark中主要的资源参数，每个参数都对应着 阅读全文
posted @ 2016-11-08 11:18 bonelee 阅读(4882) 评论(0) 推荐(1)
spark 任务运行原理
摘要： 调优概述 在开发完Spark作业之后，就该为作业配置合适的资源了。Spark的资源参数，基本都可以在spark-submit命令中作为参数设置。很多Spark初学者，通常不知道该设置哪些必要的参数，以及如何设置这些参数，最后就只能胡乱设置，甚至压根儿不设置。资源参数设置的不合理，可能会导致没有充分利 阅读全文
posted @ 2016-11-08 11:17 bonelee 阅读(10967) 评论(0) 推荐(2)
2016年11月7日
spark RDD底层原理
摘要： RDD底层实现原理 RDD是一个分布式数据集，顾名思义，其数据应该分部存储于多台机器上。事实上，每个RDD的数据都以Block的形式存储于多台机器上，下图是Spark的RDD存储架构图，其中每个Executor会启动一个BlockManagerSlave，并管理一部分Block；而Block的元数据 阅读全文
posted @ 2016-11-07 17:24 bonelee 阅读(6797) 评论(1) 推荐(0)
用实例说明Spark stage划分原理
摘要： 注意：此文的stage划分有错，stage的划分是以shuffle操作作为边界的，可以参考《spark大数据处理技术》第四章page rank例子！ 参考：http://litaotao.github.io/deep-into-spark-exection-model 我们用一个例子来说明，结合例子 阅读全文
posted @ 2016-11-07 16:37 bonelee 阅读(18339) 评论(1) 推荐(0)
Spark任务提交底层原理
摘要： Driver的任务提交过程 1、Driver程序的代码运行到action操作，触发了SparkContext的runJob方法。2、SparkContext调用DAGScheduler的runJob函数。3、DAGScheduler把Job划分stage，然后把stage转化为相应的Tasks，把T 阅读全文
posted @ 2016-11-07 16:23 bonelee 阅读(8780) 评论(0) 推荐(1)
spark shuffle内在原理说明
摘要： 在MapReduce框架中，shuffle是连接Map和Reduce之间的桥梁，Map的输出要用到Reduce中必须经过shuffle这个环节，shuffle的性能高低直接影响了整个程序的性能和吞吐量。Spark作为MapReduce框架的一种实现，自然也实现了shuffle的逻辑。 Shuffle 阅读全文
posted @ 2016-11-07 15:46 bonelee 阅读(12560) 评论(1) 推荐(0)
spark RDD操作的底层实现原理
摘要： RDD操作闭包外部变量原则 RDD相关操作都需要传入自定义闭包函数（closure），如果这个函数需要访问外部变量，那么需要遵循一定的规则，否则会抛出运行时异常。闭包函数传入到节点时，需要经过下面的步骤： 注意：外部变量在闭包内的修改不会被反馈到驱动程序。 简而言之，就是通过网络，传递函数，然后执行 阅读全文
posted @ 2016-11-07 15:15 bonelee 阅读(1267) 评论(0) 推荐(0)
Spark累加器(Accumulator)陷阱及解决办法
摘要： Accumulator简介 Accumulator是spark提供的累加器，顾名思义，该变量只能够增加。 只有driver能获取到Accumulator的值（使用value方法），Task只能对其做增加操作（使用 +=）。你也可以在为Accumulator命名（不支持Python），这样就会在spa 阅读全文
posted @ 2016-11-07 15:09 bonelee 阅读(6189) 评论(1) 推荐(0)
2016年11月6日
spark collect获取所有元素
摘要： 通过spark的action操作函数：collect函数可以提取出所有rdd里的数据项！ 阅读全文
posted @ 2016-11-06 10:03 bonelee 阅读(6792) 评论(0) 推荐(0)
2016年11月5日
spark submit 入门
摘要： spark dirver本质是一个spark集群的驱动程序，你要调用spark集群的计算功能，必须要通过它！ 然后，在tmp下放置一个文件tmp.txt，运行： ./bin/spark-submit my_example/test.py 即可看到效果！ 注意：从根本上说，spark sumbit也是 阅读全文
posted @ 2016-11-05 19:21 bonelee 阅读(560) 评论(0) 推荐(0)