spark 基础开发 Tips总结
本篇博客主要是 sparksql 从初始开发注意的一些基本点以及力所能及的可优化部分的介绍:
所使用spark版本:2.0.0 scala版本:2.11.8
1. SparkSession的初始化:
val sparkSession = SparkSession.builder().master("local[*]").appName("AppName").config("spark.sql.warehouse.dir", "file:///D:/XXXX/XXXX/spark-warehouse").config("spark.sql.shuffle.partitions", 50).getOrCreate()
注意点:
a. spark.sql.warehouse.dir 需要显示设置,否则会抛出 Exception in thread "main" java.lang.IllegalArgumentException: java.net.URISyntaxException: Relative path in absolute URI: file:... 错误
b. spark.sql.shuffle.partitions 指定 Shuffle 时 Partition 个数,也即 Reducer 个数。根据业务数据量测试调整最佳结果
Partition 个数不宜设置过大:
Reducer(代指 Spark Shuffle 过程中执行 Shuffle Read 的 Task) 个数过多,每个 Reducer 处理的数据量过小。大量小 Task 造成不必要的 Task 调度开销与可能的资源调度开销(如果开启了 Dynamic Allocation)
Reducer 个数过大,如果 Reducer 直接写 HDFS 会生成大量小文件,从而造成大量 addBlock RPC,Name node 可能成为瓶颈,并影响其它使用 HDFS 的应用
过多 Reducer 写小文件,会造成后面读取这些小文件时产生大量 getBlock RPC,对 Name node 产生冲击
Partition 个数不宜设置过小:
每个 Reducer 处理的数据量太大,Spill 到磁盘开销增大
Reducer GC 时间增长
Reducer 如果写 HDFS,每个 Reducer 写入数据量较大,无法充分发挥并行处理优势
2. 将非结构化数据转换为结构化数据DataFrame(本人用的自定义模式):
val rdd= sparkSession.sparkContext.textFile(path, 250) // 默认split为2 val schemaString = "time hour lic" //结构化数据的列名,可理解为关系型数据库的列名 val fields = schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, nullable = true)) // 字段名 字段类型 是否可为空 val schema = StructType(fields) //上两步组装最终 createDataFrame 时需要的 schema val rowRDD = citySECRDD.map(_.split(",")).filter(attributes => attributes.length >= 6 && attributes(1).equals("2")&& attributes(0).split(" ").length > 1 && attributes(0).split(" ")(1).split(":").length > 1).map(attributes => {Row(attributes(0).trim,attributes(0).split(" " (1).split(":")(0).trim,attributes(2).trim,attributes(3).trim,attributes(4).trim,attributes(5).trim)}) //自定义一些过滤条件 以及组装最终的 row类型的RDD val df= sparkSession.createDataFrame(rowRDD, schema) //将rdd装换成DataFrame
3. 两种缓存使用方式:
1)df.persist(StorageLevel.MEMORY_ONLY) //后续如果需要反复使用DF[DataFrame的简称],则就把此DF缓存起来
df.unpersist() //释放缓存 常用的两种序列化方式:MEMORY_ONLY->不加工在内存中存储 MEMORY_ONLY_SER->在内存中序列化存储(占用内存空间较小) 2)df.createOrReplaceTempView("table") sparkSession.sql("cache table table") // 以 sql 形式缓存DF
sparkSession.sql("uncache table table") //释放缓存
4.spark整合Hbase快速批量插入
将计算结果写入Hbase:
注意:1) 如果是带有shuffle过程的,shuffle计算之前使用select()提出只需要的字段然后再进行计算,因为shuffle特别耗费时间,写磁盘的过程,所以要能少写就少写。
df.foreachPartition(partition => { val hconf = HBaseConfiguration.create(); hconf.set(zkClientPort, zkClientPortValue) //zk 端口 hconf.set(zkQuorum, zkQuorumValue) //zk 地址 hconf.set(hbaseMaster, hbaseMasterValue) //hbase master val myTable = new HTable(hconf, TableName.valueOf(tableName)) myTable.setAutoFlush(false, false) //关键点1 myTable.setWriteBufferSize(5 * 1024 * 1024) //关键点2 partition.foreach(x => { val column1 = x.getAs[String]("column1") //列1 val column2 = x.getAs[String]("column2") //列2 val column3 = x.getAs[Double]("column3") //列3 val date = dateStr.replace("-", "") // 格式化后的日期 val rowkey = MD5Hash.getMD5AsHex(Bytes.toBytes(column1+ date)) + Bytes.toBytes(hour) val put = new Put(Bytes.toBytes(rowkey)) put.add("c1".getBytes(), "column1".getBytes(), licPlateNum.getBytes()) //第一列族 第一列 put.add("c1".getBytes(), "column2".getBytes(), hour.getBytes()) //第一列族 第二列 put.add("c1".getBytes(), "column3".getBytes(), interval.toString.getBytes()) //第一列族 第三列 put.add("c1".getBytes(), "date".getBytes(), date.getBytes()) //第一列族 第四列 myTable.put(put) }) myTable.flushCommits() //关键点3 /* *关键点1_:将自动提交关闭,如果不关闭,每写一条数据都会进行提交,是导入数据较慢的做主要因素。 关键点2:设置缓存大小,当缓存大于设置值时,hbase会自动提交。此处可自己尝试大小,一般对大数据量,设置为5M即可,本文设置为3M。 关键点3:每一个分片结束后都进行flushCommits(),如果不执行,当hbase最后缓存小于上面设定值时,不会进行提交,导致数据丢失。 注:此外如果想提高Spark写数据如Hbase速度,可以增加Spark可用核数量。 */
5. spark任务提交shell脚本:
spark-submit --jars /XXX/XXX/hbase/latest/lib/hbase-protocol-0.96.1.1-cdh5.0.2.jar \ --master yarn\ --num-executors 200 \ --conf "spark.driver.extraClassPath=/share/apps/hbase/latest/lib/hbase-protocol-0.96.1.1-cdh5.0.2.jar" \ --conf "spark.executor.extraClassPath=/share/apps/hbase/latest/lib/hbase-protocol-0.96.1.1-cdh5.0.2.jar" \ --conf spark.driver.cores=2 \ --conf spark.driver.memory=10g \ --conf spark.driver.maxResultSize=2g \ --conf spark.executor.cores=6 \ --conf spark.executor.memory=10g \ --conf spark.shuffle.blockTransferService=nio \ --conf spark.memory.fraction=0.8 \ --conf spark.shuffle.memoryFraction=0.4 \ --conf spark.default.parallelism=1000 \ --conf spark.sql.shuffle.partitions=400 \ 默认200,如果项目中代码设置了此选项,则代码设置级别优先,会覆盖此处设置 --conf spark.shuffle.consolidateFiles=true \ --conf spark.shuffle.io.maxRetries=10 \ --conf spark.scheduler.listenerbus.eventqueue.size=1000000 \ --class XXXXX\ 项目启动主类引用 --name zzzz \ /data/XXX/XXX-jar-with-dependencies.jar \ 项目jar包 "参数1" "参数2"
注: 红色部分是Hbase需要的配置,同时需要在spark集群的spark-defaults.conf 里面配置
spark.driver.extraClassPath 和 spark.executor.extraClassPath 直指 hbase-protocol-0.96.1.1-cdh5.0.2.jar 路径
先写到这里吧,后续会继续完善通过sparkUi 优化细节以及提交spark任务的时候 如何分配 executor.cores 和 executor.memory。