松伯 - 博客园

2018年6月25日

摘要：前言就这样，大数据领域蓬勃发展了好几年，有很多伙伴执迷于技术，成为了分布式计算与存储的领域专家。也有很多伙伴执迷于数据，成为了行业的数据研发专家。当然还有很多小伙伴，热衷于工具系统开发，成为了数据技术专家。那么我们回过头来考虑，什么是大数据，什么又是数据仓库，什么又是数据技术。大数据其实是个非常笼阅读全文

posted @ 2018-06-25 23:52 松伯阅读(9795) 评论(0) 推荐(0) 编辑

2018年2月24日

Hive metastore整体代码分析及详解

摘要：从上一篇对Hive metastore表结构的简要分析中，我再根据数据设计的实体对象，再进行整个代码结构的总结。那么我们先打开metadata的目录，其目录结构：可以看到，整个hivemeta的目录包含metastore(客户端与服务端调用逻辑）、events（事件目录包含table生命周期中的检阅读全文

posted @ 2018-02-24 17:06 松伯阅读(5638) 评论(0) 推荐(1) 编辑

2018年2月19日

Hive metastore表结构设计分析

摘要：今天总结下，Hive metastore的结构设计。什么是metadata呢，对于它的描述，可以理解为数据的数据，主要是描述数据的属性的信息。它是用来支持如存储位置、历史数据、资源查找、文件记录等功能。元数据算是一种电子式目录。为了达到编制目录的目的，必须在描述并收藏数据的内容或特色，进而达成协助数阅读全文

posted @ 2018-02-19 18:47 松伯阅读(5686) 评论(0) 推荐(1) 编辑

Linux知识体系之磁盘与档案系统管理

摘要：硬盘的物理组成：由许许多多的圆形硬盘盘所组成。宜居硬盘盘能够容纳的数据量，而有所谓的单碟或者多碟。首先，硬盘里一定会有所谓的磁头（Head）在进行该硬盘上面的读写动作，而磁头是固定在机械手臂上的，机械手臂上有多个磁头可以进行读取的动作。而当磁头固定不动，硬盘转一圈所画出来的圆就是所谓的磁道(Tra 阅读全文

posted @ 2018-02-19 12:09 松伯阅读(362) 评论(0) 推荐(0) 编辑

2018年2月18日

Linux知识体系之路径属性与目录

摘要：最近在看鸟哥的Linux私房菜，我觉得这本书还是很不错的。这里进行相关的总结。 1、Linux目录权限概念 Linux一般讲目录可存取的方式分为三个类别，分别是owner/group/other,且各有read/write/excute等权限。在Linux系统当中，预设的情况下，所有的系统上的账号与阅读全文

posted @ 2018-02-18 18:44 松伯阅读(534) 评论(0) 推荐(0) 编辑

2017年12月18日

Kudu存储实战笔记

摘要：有人会问，为啥要用这个叫啥Kudu的，Kudu是啥？就像官网所说，Kudu是一个针对Apache hadoop 平台而开发的列式存储管理器,在本菜鸟看来，它是一种介于hdfs与hbase的一种存储。它的优势在于: 1、OLAP工作的快速处理，也就是针对于查询，很快，很牛逼。 2、针对同时运行顺序和阅读全文

posted @ 2017-12-18 21:12 松伯阅读(3864) 评论(0) 推荐(1) 编辑

2017年9月11日

Hive metastore源码阅读（三）

摘要：上次写了hive metastore的partition的生命周期，但是简略概括了下alter_partition的操作，这里补一下alter_partition,因为随着项目的深入，发现它涉及的地方较多，比如insert into 时如果路径存在情况下会调用alter_partition,调用in 阅读全文

posted @ 2017-09-11 01:36 松伯阅读(1232) 评论(0) 推荐(0) 编辑

2017年8月30日

Hive metastore源码阅读（二）

摘要：最近随着项目的深入，发现hive meta有些弊端，就是你会发现它的元数据操作与操作物理集群的代码耦合在一起，非常不利于扩展。比如：在create_table的时候同时进行路径校验及创建，如下代码：所以这是meta无法统一所有元数据的原因么。。其实hive metastore的代码从大的来看，就好阅读全文

posted @ 2017-08-30 03:09 松伯阅读(4107) 评论(0) 推荐(1) 编辑

2017年8月17日

Hive metastore源码阅读（一）

摘要：不要问我为什么，因为爱，哈哈哈哈。。。进入正题，最近做项目顺带学习了下hive metastore的源码，进行下知识总结。 hive metastore的整体架构如图：一、组成结构：如图我们可以看到，hive metastore的组成结构分为客户端服务端，那么下来我们逐一进行分析： 1、客阅读全文

posted @ 2017-08-17 02:34 松伯阅读(3686) 评论(0) 推荐(1) 编辑

2017年7月3日

Hadoop源码学习之HDFS（一）

摘要： Hadoop的HDFS可以分为NameNode与DataNode,NameNode存储所有DataNode中数据的元数据信息。而DataNode负责存储真正的数据（数据块）信息以及数据块的ID。 NameNode上并不永久保存哪个DataNode上有哪些数据块的信息，而是通过DataNode启动时的阅读全文

posted @ 2017-07-03 21:40 松伯阅读(444) 评论(0) 推荐(0) 编辑

2017年7月2日

Hadoop源码分类概要整理

摘要：最近突然觉得，很多掌握的都还是很浅的原理，需要更深入细粒度去了解整个分布式系统的运转机制。于是。。开始作死而又作死而又作死的源码之旅。 Hadoop包的功能总共有下列几类： tool:提供一些命令行工具，如DistCp,archive mapreduce，:Hadoop的Map/Reduce实现阅读全文

posted @ 2017-07-02 15:05 松伯阅读(459) 评论(0) 推荐(0) 编辑

2017年4月30日

sparksql工程小记

摘要：最近做一个oracle项目迁移工作，跟着spark架构师学着做，进行一些方法的总结。 1、首先，创建SparkSession对象（老版本为sparkContext） val session = SparkSession.builder().appName("app1").getOrCreate() 阅读全文

posted @ 2017-04-30 16:12 松伯阅读(790) 评论(1) 推荐(0) 编辑

2017年3月19日

hiveql函数笔记（二）

摘要： 1、数据查询 //提高聚合的性能 SET hive.map.aggr=true; SELECT count(*),avg(salary) FROM employees; //木匾不允许在一个查询语句中使用多于一个的函数（DISTINCT。。。）表达式 SELECT count(DISTINCT sy 阅读全文

posted @ 2017-03-19 16:19 松伯阅读(556) 评论(0) 推荐(0) 编辑

hiveql笔记（一）

摘要： 1、创建表 create table if not exists mydb.employees{ name String COMMENT 'Employee name', salary FLOAT COMMENT 'Empolyee salary', subordinates APPAY<STRIN 阅读全文

posted @ 2017-03-19 12:00 松伯阅读(472) 评论(0) 推荐(0) 编辑

2017年3月6日

hdfs文件按修改时间下载

摘要：应用于：对于不同用户创建的表目录，进行文件的下载，程序中执行hadoop cat命令下载文件到本地，随后通过ftp传至目标服务器，并将hdfs文件目录的修改时间存入mysql中。每次修改前将mysql中记录的数据，与本批次下载的HDFS文件路径修改时间对比，如果改变，则决定是否下载文件：入口：阅读全文

posted @ 2017-03-06 16:32 松伯阅读(511) 评论(0) 推荐(0) 编辑

2017年2月12日

spark集成hbase与hive数据转换与代码练习

摘要：帮一个朋友写个样例，顺便练手啦~一直在做平台的各种事，但是代码后续还要精进啊。。。阅读全文

posted @ 2017-02-12 03:38 松伯阅读(655) 评论(0) 推荐(0) 编辑

2016年12月29日

主流大数据技术全体系参数与搭建与后台代码工程框架的编写（百分之70）

摘要：之前查阅源码啊，性能测试啊调优啊。。基本告一段落，项目也接近尾声，那么整理下spark所有配置参数与优化策略，方便以后开发与配置： Spark安装配置与代码框架 spark-default.conf 配置 spark.executor.instance 参数，向Yarn申请创建的资源池实例数 spa 阅读全文

posted @ 2016-12-29 11:26 松伯阅读(1988) 评论(0) 推荐(0) 编辑

2016年12月11日

大数据全体系年终总结

摘要：到年底了，想着总结下所有知识点好了~今年应用的知识点还是很多的~ Hadoop生态圈： 1、文件存储当然是选择Hadoop的分布式文件系统HDFS，当然因为硬件的告诉发展，已经出现了内存分布式系统Tachyon，不论是Hadoop的MapReduce,Spark的内存计算、hive的MapReudu 阅读全文

posted @ 2016-12-11 15:54 松伯阅读(3851) 评论(0) 推荐(0) 编辑

2016年12月10日

SparkStreaming（源码阅读十二）

摘要：要完整去学习spark源码是一件非常不容易的事情，但是咱可以积少成多嘛~那么，Spark Streaming是怎么搞的呢？本质上，SparkStreaming接收实时输入数据流并将它们按批次划分，然后交给Spark引擎处理生成按照批次划分的结果流： SparkStreaming提供了表示连续数据流阅读全文

posted @ 2016-12-10 16:45 松伯阅读(892) 评论(0) 推荐(0) 编辑

2016年12月9日

Netty的TCP粘包/拆包（源码二）

摘要：假设客户端分别发送了两个数据包D1和D2给服务器，由于服务器端一次读取到的字节数是不确定的，所以可能发生四种情况： 1、服务端分两次读取到了两个独立的数据包，分别是D1和D2，没有粘包和拆包。 2、服务端一次接收到了两个数据包，D1和D2粘合在一起，被称为TCP粘包。 3、服务端分两次读取到了两个数阅读全文

posted @ 2016-12-09 00:54 松伯阅读(594) 评论(0) 推荐(0) 编辑

2016年12月8日

Spark Netty与Jetty （源码阅读十一）

摘要： spark呢，对Netty API又做了一层封装，那么Netty是什么呢~是个鬼。它基于NIO的服务端客户端框架，具体不再说了，下面开始。创建了一个线程工厂，生成的线程都给定一个前缀名。像一般的netty框架一样，创建Netty的EventLoopGroup: 在常用的netty框架中呢，会创建阅读全文

posted @ 2016-12-08 23:42 松伯阅读(3008) 评论(0) 推荐(0) 编辑

2016年12月6日

Netty服务端与客户端（源码一）

摘要：首先，整理NIO进行服务端开发的步骤：（1）创建ServerSocketChannel,配置它为非阻塞模式。（2）绑定监听，配置TCP参数，backlog的大小。（3）创建一个独立的I/O线程，用于轮询多路复用器Selector。（4）创建Selector,将之前创建的ServerSocke 阅读全文

posted @ 2016-12-06 23:42 松伯阅读(2127) 评论(0) 推荐(0) 编辑

2016年12月5日

NIO源码阅读

摘要：自己对着源码敲一遍练习，写上注释。发现NIO编程难度好高啊。。虽然很复杂，但是NIO编程的有点还是很多： 1、客户端发起的连接操作是异步的，可以通过在多路复用器注册OP_CONNECTION等待后续结果，不需要像BIO的客户端一样被同步阻塞。 2、SocketChannel的读写操作都是异步的，如果阅读全文

posted @ 2016-12-05 23:50 松伯阅读(1390) 评论(0) 推荐(0) 编辑

2016年11月27日

Spark之SQL解析（源码阅读十）

摘要：如何能更好的运用与监控sparkSQL?或许我们改更深层次的了解它深层次的原理是什么。之前总结的已经写了传统数据库与Spark的sql解析之间的差别。那么我们下来直切主题~ 如今的Spark已经支持多种多样的数据源的查询与加载，兼容了Hive,可用JDBC的方式或者ODBC来连接Spark SQL。阅读全文

posted @ 2016-11-27 14:55 松伯阅读(5322) 评论(0) 推荐(0) 编辑

Spark BlockManager的通信及内存占用分析(源码阅读九）

摘要：之前阅读也有总结过Block的RPC服务是通过NettyBlockRpcServer提供打开，即下载Block文件的功能。然后在启动jbo的时候由Driver上的BlockManagerMaster对存在于Executor上的BlockManager统一管理，注册Executor的BlockMana 阅读全文

posted @ 2016-11-27 10:33 松伯阅读(1670) 评论(0) 推荐(0) 编辑

2016年11月26日

Spark Job的提交与task本地化分析（源码阅读八）

摘要：我们又都知道，Spark中任务的处理也要考虑数据的本地性(locality)，Spark目前支持PROCESS_LOCAL（本地进程）、NODE_LOCAL（本地节点）、NODE_PREF、RACK_LOCAL（本地机架）、ANY（任何）几种。其他都很好理解，NODE_LOCAL会在spark日志中阅读全文

posted @ 2016-11-26 04:32 松伯阅读(758) 评论(0) 推荐(0) 编辑

2016年11月25日

Spark Shuffle数据处理过程与部分调优（源码阅读七）

摘要： shuffle。。。相当重要，为什么咩，因为shuffle的性能优劣直接决定了整个计算引擎的性能和吞吐量。相比于Hadoop的MapReduce,可以看到Spark提供多种计算结果处理方式，对shuffle过程进行了优化。那么我们从RDD的iterator方法开始：我们可以看到，它调用了cach 阅读全文

posted @ 2016-11-25 00:43 松伯阅读(1763) 评论(0) 推荐(0) 编辑

2016年11月24日

Spark常用函数（源码阅读六）

摘要：源码层面整理下我们常用的操作RDD数据处理与分析的函数，从而能更好的应用于工作中。连接Hbase,读取hbase的过程，首先代码如下：我们来一点一点解析整个过程。 1、val configuration = HBaseConfiguration.create() 这个用过hbase的伙伴们都知道阅读全文

posted @ 2016-11-24 10:22 松伯阅读(1650) 评论(0) 推荐(0) 编辑

2016年11月23日

Spark数据传输及ShuffleClient（源码阅读五）

摘要：我们都知道Spark的每个task运行在不同的服务器节点上，map输出的结果直接存储到map任务所在服务器的存储体系中，reduce任务有可能不在同一台机器上运行，所以需要远程将多个map任务的中间结果fetch过来。那么我们就来学习下shuffleClient。shuffleClient存在于每个阅读全文

posted @ 2016-11-23 22:18 松伯阅读(1981) 评论(0) 推荐(0) 编辑

2016年11月22日

SparkConf加载与SparkContext创建（源码阅读四）

摘要： sparkContext创建还没完呢，紧接着前两天，我们继续探索。。作死。。。紧接着前几天我们继续SparkContext的创建：接下来从这里我们可以看到，spark开始加载hadoop的配置信息，第二张图中 new出来的Configuration正是hadoop的Configuration。同阅读全文

posted @ 2016-11-22 21:58 松伯阅读(688) 评论(0) 推荐(0) 编辑

2016年11月21日

SparkSQL（源码阅读三）

摘要：额，没忍住，想完全了解sparksql，毕竟一直在用嘛，想一次性搞清楚它，所以今天再多看点好了~ 曾几何时，有一个叫做shark的东西，它改了hive的源码。。。突然有一天，spark Sql突然出现，如下图： = =好了，不逗了，言归正传。。。那么一条sql传统数据库会是怎么解析的呢？传统数据库阅读全文

posted @ 2016-11-21 23:34 松伯阅读(907) 评论(0) 推荐(0) 编辑

SparkConf加载与SparkContext创建（源码阅读二）

摘要：紧接着昨天，我们继续开搞了啊。。 1、下面，开始创建BroadcastManager,就是传说中的广播变量管理器。BroadcastManager用于将配置信息和序列化后的RDD、Job以及ShuffleDependency等信息在本地存储。紧接着blockManager的创建后创建。如下：随之我阅读全文

posted @ 2016-11-21 21:54 松伯阅读(694) 评论(0) 推荐(0) 编辑

2016年11月20日

SparkConf加载与SparkContext创建（源码阅读一）

摘要：即日起开始spark源码阅读之旅，这个过程是相当痛苦的，也许有大量的看不懂，但是每天一个方法，一点点看，相信总归会有极大地提高的。那么下面开始：创建sparkConf对象，那么究竟它干了什么了类,从代码层面，我们可以看到我们需要setMaster啊，setAppName啊，set blabla啊。阅读全文

posted @ 2016-11-20 16:38 松伯阅读(4274) 评论(2) 推荐(1) 编辑

Hbase数据导入导出

摘要：平时用于从生产环境hbase到导出数据到测试环境。导入数据：导出数据：阅读全文

posted @ 2016-11-20 15:04 松伯阅读(1606) 评论(0) 推荐(0) 编辑

2016年11月18日

Spark代码调优（一）

摘要：环境极其恶劣情况下： import org.apache.spark.SparkContext import org.apache.spark.rdd.RDD import org.apache.spark.sql.{DataFrame, Row, SQLContext} import org.ap 阅读全文

posted @ 2016-11-18 00:21 松伯阅读(21836) 评论(0) 推荐(0) 编辑

2016年11月14日

Spark性能测试报告与调优参数

摘要： 1、代码中尽量避免group by函数，如果需要数据聚合，group形式的为rdd.map(x=>(x.chatAt(0),x)).groupbyKey().mapValues((x=>x.toSet.size)).collection() 改为 rdd.map(x=>(x.chatAt(0）,x) 阅读全文

posted @ 2016-11-14 01:16 松伯阅读(2377) 评论(0) 推荐(0) 编辑

2016年11月13日

Spark shuffle详细过程

摘要：有许多场景下，我们需要进行跨服务器的数据整合，比如两个表之间，通过Id进行join操作，你必须确保所有具有相同id的数据整合到相同的块文件中。那么我们先说一下mapreduce的shuffle过程。 Mapreduce的shuffle的计算过程是在executor中划分mapper与reducer。阅读全文

posted @ 2016-11-13 14:05 松伯阅读(7846) 评论(0) 推荐(0) 编辑

Spark 1.6以后的内存管理机制

摘要： Spark 内部管理机制 Spark的内存管理自从1.6开始改变。老的内存管理实现自自staticMemoryManager类，然而现在它被称之为”legacy”. “Legacy” 默认已经被废弃掉了，它意味着相同的代码在1.5版本与1.6版本的输出结果将会不同。需要注意的是，出于兼容性的考虑，你阅读全文

posted @ 2016-11-13 10:29 松伯阅读(1686) 评论(0) 推荐(0) 编辑

2016年10月6日

Kafka集群配置说明

摘要： #kafka数据的存放地址，多个地址的话用逗号分 log.dirs=/tmp/kafka-logs #broker server服务端口 port=9092 #这个参数会在日志segment没有达到log.segment.bytes设置的大小，也会强制新建一个segment会被 topic创建时的指阅读全文

posted @ 2016-10-06 01:17 松伯阅读(697) 评论(0) 推荐(0) 编辑

2016年10月5日

项目中Zookeeper配置参数笔记

摘要： ZooKeeper是以Fast Paxos算法为基础的，Paxos 算法存在活锁的问题，即当有多个proposer交错提交时，有可能互相排斥导致没有一个proposer能提交成功，而Fast Paxos作了一些优化，通过选举产生一个leader (领导者)，只有leader才能提交proposer，阅读全文

posted @ 2016-10-05 20:11 松伯阅读(3444) 评论(0) 推荐(1) 编辑