摘要：
1. 常规性能调优 一：最优资源配置 Spark性能调优的第一步，就是为任务分配更多的资源，在一定范围内，增加资源的分配与性能的提升是成正比的，实现了最优的资源配置后，在此基础上再考虑进行后面论述的性能调优策略。 --driver-memory 配置Driver内存（影响不大） 内存大小影响不大 资 阅读全文
摘要：
实战 数据导入Hive中全量： 拉链增量：用户、商品表数据量大时用 拉链表动作表 增量城市信息 全量 需求一： 获取点击、下单和支付数量排名前 10 的品类 ①使用累加器： click_category_id，个数 order_category_ids，个数 pay_category_ids，个数 阅读全文
摘要：
rsync常见错误 sending incremental file list profile rsync: mkstemp "/etc/.profile.YF3qCk" failed: Permission denied (13) sent 693 bytes received 49 bytes 阅读全文
摘要：
一些名词概念 以yarn-cluster模式为例源码分析作业提交流程 Spark-submit提交源码解析 执行spark-submit实际上执行的是$SPARK_HOME/spark-class -->执行一个java类 java org.apache.spark.launcher.Main调它的 阅读全文
摘要：
从数据处理的方式角度： 流式（Streaming）数据处理； 批量（batch）数据处理； 从数据处理延迟的长短： 实时数据处理： 毫秒级别；（流式处理 ！= 实时数据处理） 离线数据处理： 小时 or 天级别 1. Spark Streaming Spark Streaming用于流式数据的处理。 阅读全文
摘要：
软件通用的快捷键： * 保存：Ctrl + S * 剪切：Ctrl + X * 粘贴：Ctrl + V * 复制：Ctrl + C * 全选：Ctlr + A * 撤销：Ctrl + Z * 反撤销：Ctrl + Y * 查找与替换：Ctrl + F (find) IDEA alt+enter 提示 阅读全文
摘要：
1. Hive and SparkSQL sparkSQL的前身是Shark。 Hive是早期唯一运行在Hadoop上的SQL-on-Hadoop工具。但是MapReduce计算过程中大量的中间磁盘落地过程消耗了大量的I/O，降低的运行效率，为了 提高SQL-on-Hadoop的效率，大量的SQL- 阅读全文
摘要：
Spark中三大数据结构： RDD； 广播变量: 分布式只读共享变量； 累加器：分布式只写共享变量； 线程和进程之间 1. RDD 序列化 1) 闭包检查 从计算的角度, 算子以外的代码都是在 Driver 端执行, 算子里面的代码都是在 Executor 端执行。那么在 scala 的函数式编程中 阅读全文
摘要：
类比java中的泛型： 上界（协变）、下界（逆变） scala中泛型采用中括号声明 泛型上界 泛型下界 协变（+）（也就是上限上界）：这个类型往它的子类中去找，多态的感觉；从类的关系往回推叫逆变（-）（也就是下限下界）；它们主要在类声明时使用； 阅读全文
摘要：
1. 模式匹配 Scala中的模式匹配类似于Java中的switch语法，但是更加强大。模式匹配语法中，采用match关键字声明，每个分支采用case关键字进行声明，当需要匹配时，会从第一个case分支开始，如果匹配成功，那么执行对应的逻辑代码，如果匹配不成功，继续执行下一个分支进行判断。如果所有c 阅读全文