基于Spark-0.4和Hadoop-0.20.2
1. Kmeans
数据:自己产生的三维数据,分别围绕正方形的8个顶点
{0, 0, 0}, {0, 10, 0}, {0, 0, 10}, {0, 10, 10},
{10, 0, 0}, {10, 0, 10}, {10, 10, 0}, {10, 10, 10}
Point number |
189,918,082 (1亿9千万个三维点) |
Capacity |
10GB |
HDFS Location |
/user/LijieXu/Kmeans/Square-10GB.txt |
程序逻辑:
读取HDFS上的block到内存,每个block转化为RDD,里面包含vector。 然后对RDD进行map操作,抽取每个vector(point)对应的类号,输出(K,V)为(class,(Point,1)),组成新的RDD。 然后再reduce之前,对每个新的RDD进行combine,在RDD内部算出每个class的中心和。使得每个RDD的输出只有最多K个KV对。 最后进行reduce得到新的RDD(内容的Key是class,Value是中心和,再经过map后得到最后的中心。 |
先上传到HDFS上,然后在Master上运行
root@master:/opt/spark# ./run spark.examples.SparkKMeans master@master:5050 hdfs://master:9000/user/LijieXu/Kmeans/Square-10GB.txt 8 2.0 |
迭代执行Kmeans算法。
一共160个task。(160 * 64MB = 10GB)
利用了32个CPU cores,18.9GB的内存。
每个机器的内存消耗为4.5GB (共40GB)(本身points数据10GB*2,Map后中间数据(K, V) => (int, (vector, 1)) (大概10GB)
最后结果:
0.505246194 s Final centers: Map(5 -> (13.997101228817169, 9.208875044622895, -2.494072457488311), 8 -> (-2.33522333047955, 9.128892414676326, 1.7923150585737604), 7 -> (8.658031587043952, 2.162306996983008, 17.670646829079146), 3 -> (11.530154433698268, 0.17834347219956842, 9.224352885937776), 4 -> (12.722903153986868, 8.812883284216143, 0.6564509961064319), 1 -> (6.458644369071984, 11.345681702383024, 7.041924994173552), 6 -> (12.887793408866614, -1.5189406469928937, 9.526393664105957), 2 -> (2.3345459304412164, 2.0173098597285533, 1.4772489989976143)) |
50MB/s 10GB => 3.5min
10MB/s 10GB => 15min
在20GB的数据上测试
Point number |
377,370,313 (3亿7千万个三维点) |
Capacity |
20GB |
HDFS Location |
/user/LijieXu/Kmeans/Square-20GB.txt |
运行测试命令:
root@master:/opt/spark# ./run spark.examples.SparkKMeans master@master:5050 hdfs://master:9000/user/LijieXu/Kmeans/Square-20GB.txt 8 2.0 | tee mylogs/sqaure-20GB-kmeans.log |
得到聚类结果:
Final centers: Map(5 -> (-0.47785701742763115, -1.5901830956323306, -0.18453046159033773), 8 -> (1.1073911553593858, 9.051671594514225, -0.44722211311446924), 7 -> (1.4960397239284795, 10.173412443492643, -1.7932911100570954), 3 -> (-1.4771114031182642, 9.046878176063172, -2.4747981387714444), 4 -> (-0.2796747780312184, 0.06910629855122015, 10.268115903887612), 1 -> (10.467618592186486, -1.168580362309453, -1.0462842137817263), 6 -> (0.7569895433952736, 0.8615441990490469, 9.552726007309518), 2 -> (10.807948500515304, -0.5368803187391366, 0.04258123037074164)) |
基本就是8个中心点
内存消耗:(每个节点大约5.8GB),共50GB左右。
内存分析:
20GB原始数据,20GB的Map输出
迭代次数 |
时间 |
1 |
108 s |
2 |
0.93 s |
12/06/05 11:11:08 INFO spark.CacheTracker: Looking for RDD partition 2:302
12/06/05 11:11:08 INFO spark.CacheTracker: Found partition in cache!
在20GB的数据上测试(迭代更多的次数)
root@master:/opt/spark# ./run spark.examples.SparkKMeans master@master:5050 hdfs://master:900 0/user/LijieXu/Kmeans/Square-20GB.txt 8 0.8 |
Task数目:320
时间:
迭代次数 |
时间 |
1 |
100.9 s |
2 |
0.93 s |
3 |
4.6 s |
4 |
3.9 s |
5 |
3.9 s |
6 |
3.9 s |
迭代轮数对内存容量的影响:
基本没有什么影响,主要内存消耗:20GB的输入数据RDD,20GB的中间数据。
Final centers: Map(5 -> (-4.728089224526789E-5, 3.17334874733142E-5, -2.0605806380414582E-4), 8 -> (1.1841686358289191E-4, 10.000062966002101, 9.999933240005394), 7 -> (9.999976672588097, 10.000199556926772, -2.0695123602840933E-4), 3 -> (-1.3506815993198176E-4, 9.999948270638338, 2.328148782609023E-5), 4 -> (3.2493629851483764E-4, -7.892413981250518E-5, 10.00002515017671), 1 -> (10.00004313126956, 7.431996896171192E-6, 7.590402882208648E-5), 6 -> (9.999982611661382, 10.000144597573051, 10.000037734639696), 2 -> (9.999958673426654, -1.1917651103354863E-4, 9.99990217533504)) |
结果可视化
2. HdfsTest
测试逻辑:
package spark.examples import spark._ object HdfsTest { def main(args: Array[String]) { val sc = new SparkContext(args(0), "HdfsTest") val file = sc.textFile(args(1)) val mapped = file.map(s => s.length).cache() for (iter <- 1 to 10) { val start = System.currentTimeMillis() for (x <- mapped) { x + 2 } // println("Processing: " + x) val end = System.currentTimeMillis() println("Iteration " + iter + " took " + (end-start) + " ms") } } } |
首先去HDFS上读取一个文本文件保存在file
再次计算file中每行的字符数,保存在内存RDD的mapped中
然后读取mapped中的每一个字符数,将其加2,计算读取+相加的耗时
只有map,没有reduce。
测试10GB的Wiki
实际测试的是RDD的读取性能。
root@master:/opt/spark# ./run spark.examples.HdfsTest master@master:5050 hdfs://master:9000:/user/LijieXu/Wikipedia/txt/enwiki-20110405.txt |
测试结果:
Iteration 1 took 12900 ms = 12s Iteration 2 took 388 ms Iteration 3 took 472 ms Iteration 4 took 490 ms Iteration 5 took 459 ms Iteration 6 took 492 ms Iteration 7 took 480 ms Iteration 8 took 501 ms Iteration 9 took 479 ms Iteration 10 took 432 ms |
每个node的内存消耗为2.7GB (共9.4GB * 3)
实际测试的是RDD的读取性能。
root@master:/opt/spark# ./run spark.examples.HdfsTest master@master:5050 hdfs://master:9000/user/LijieXu/Wikipedia/txt/enwiki-20110405.txt |
测试90GB的RandomText数据
root@master:/opt/spark# ./run spark.examples.HdfsTest master@master:5050 hdfs://master:9000/user/LijieXu/RandomText90GB/RandomText90GB |
耗时:
迭代次数 |
耗时 |
1 |
111.905310882 s |
2 |
4.681715228 s |
3 |
4.469296148 s |
4 |
4.441203887 s |
5 |
1.999792125 s |
6 |
2.151376037 s |
7 |
1.889345699 s |
8 |
1.847487668 s |
9 |
1.827241743 s |
10 |
1.747547323 s |
内存总消耗30GB左右。
单个节点的资源消耗:
3. 测试WordCount
写程序:
import spark.SparkContext import SparkContext._ object WordCount { def main(args: Array[String]) { if (args.length < 2) { System.err.println("Usage: wordcount <master> <jar>") System.exit(1) } val sp = new SparkContext(args(0), "wordcount", "/opt/spark", List(args(1))) val file = sp.textFile("hdfs://master:9000/user/LijieXu/Wikipedia/txt/enwiki-20110405.txt"); val counts = file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_ + _) counts.saveAsTextFile("hdfs://master:9000/user/Output/WikiResult3") } } |
打包成mySpark.jar,上传到Master的/opt/spark/newProgram。
运行程序:
root@master:/opt/spark# ./run -cp newProgram/mySpark.jar WordCount master@master:5050 newProgram/mySpark.jar |
Mesos自动将jar拷贝到执行节点,然后执行。
内存消耗:(10GB输入file + 10GB的flatMap + 15GB的Map中间结果(word,1))
还有部分内存不知道分配到哪里了。
耗时:50 sec(未经过排序)
Hadoop WordCount耗时:120 sec到140 sec
结果未排序
单个节点:
Hadoop测试
Kmeans
运行Mahout里的Kmeans
root@master:/opt/mahout-distribution-0.6# bin/mahout org.apache.mahout.clustering.syntheticcontrol.kmeans.Job -Dmapred.reduce.tasks=36 -i /user/LijieXu/Kmeans/Square-20GB.txt -o output -t1 3 -t2 1.5 -cd 0.8 -k 8 -x 6 |
在运行(320个map,1个reduce)
Canopy Driver running buildClusters over input: output/data
时某个slave的资源消耗情况
Completed Jobs
Jobid |
Name |
Map Total |
Reduce Total |
Time |
Input Driver running over input: /user/LijieXu/Kmeans/Square-10GB.txt |
160 |
0 |
1分2秒 |
|
KMeans Driver running runIteration over clustersIn: output/clusters-0/part-randomSeed |
160 |
1 |
1分6秒 |
|
KMeans Driver running runIteration over clustersIn: output/clusters-1 |
160 |
1 |
1分7秒 |
|
KMeans Driver running runIteration over clustersIn: output/clusters-2 |
160 |
1 |
1分7秒 |
|
KMeans Driver running runIteration over clustersIn: output/clusters-3 |
160 |
1 |
1分6秒 |
|
KMeans Driver running runIteration over clustersIn: output/clusters-4 |
160 |
1 |
1分6秒 |
|
KMeans Driver running runIteration over clustersIn: output/clusters-5 |
160 |
1 |
1分5秒 |
|
KMeans Driver running clusterData over input: output/data |
160 |
0 |
55秒 |
|
Input Driver running over input: /user/LijieXu/Kmeans/Square-20GB.txt |
320 |
0 |
1分31秒 |
|
KMeans Driver running runIteration over clustersIn: output/clusters-0/part-randomSeed |
320 |
36 |
1分46秒 |
|
KMeans Driver running runIteration over clustersIn: output/clusters-1 |
320 |
36 |
1分46秒 |
|
KMeans Driver running runIteration over clustersIn: output/clusters-2 |
320 |
36 |
1分46秒 |
|
KMeans Driver running runIteration over clustersIn: output/clusters-3 |
320 |
36 |
1分47秒 |
|
KMeans Driver running clusterData over input: output/data |
320 |
0 |
1分34秒 |
运行多次10GB、20GB上的Kmeans,资源消耗
Hadoop WordCount测试
Spark交互式运行
进入Master的/opt/spark
运行
MASTER=master@master:5050 ./spark-shell |
打开Mesos版本的spark
在master:8080可以看到framework
Active Frameworks
ID |
User |
Name |
Running Tasks |
CPUs |
MEM |
Max Share |
Connected |
201206050924-0-0018 |
root |
0 |
0 |
0.0 MB |
0.00 |
2012-06-06 21:12:56 |
scala> val file = sc.textFile("hdfs://master:9000/user/LijieXu/Wikipedia/txt/enwiki-20110405.txt") scala> file.first scala> val words = file.map(_.split(' ')).filter(_.size < 100) //得到RDD[Array[String]] scala> words.cache scala> words.filter(_.contains("Beijing")).count 12/06/06 22:12:33 INFO SparkContext: Job finished in 10.862765819 s res1: Long = 855 scala> words.filter(_.contains("Beijing")).count 12/06/06 22:12:52 INFO SparkContext: Job finished in 0.71051464 s res2: Long = 855 scala> words.filter(_.contains("Shanghai")).count 12/06/06 22:13:23 INFO SparkContext: Job finished in 0.667734427 s res3: Long = 614 scala> words.filter(_.contains("Guangzhou")).count 12/06/06 22:13:42 INFO SparkContext: Job finished in 0.800617719 s res4: Long = 134 |
由于GC的问题,不能cache很大的数据集。
相关推荐
针对目前缺少大型数据分析框架间的横向比较问题,使用有代表性的大数据工作负载,对Hadoop、Spark和Flink进行性能和可扩展性等因素的比较评价。此外,通过调整工作负载的一些主要参数,例如HDFS块大小、输入数据大小、...
Spark的这种灵活性和高性能吸引了许多企业和开发者的关注,尤其是在需要快速响应和迭代计算的场景中,如机器学习和实时分析。 总的来说,Hadoop和Spark的关系并非替代,而是互补。Hadoop在批处理和离线分析中仍占有...
- **流处理**:比较了Hadoop与Spark在流处理方面的不同之处,特别是在实时数据处理领域的应用。 - **性能优化**:提供了提高Hadoop和Spark应用程序性能的策略,包括内存管理和数据分区技巧。 #### 实际案例与应用...
### Hadoop与Spark性能对比分析 #### 摘要与背景介绍 本文旨在对Hadoop与Spark两大主流大数据处理框架的性能进行深入对比分析。通过选取具有代表性的应用案例——迭代计算(WordCount Sorted By Key, WordCount ...
##### 6.1.4 不同Query性能对比 比较不同系统在处理特定查询任务时的性能差异,例如查询响应时间和资源消耗等。 ##### 6.1.5 1TB规模性能测试解读 分析1TB规模下的测试结果,深入了解各系统的性能特点。 ##### ...
- **性能比较**:大多数情况下,Spark的处理速度优于传统的基于磁盘的Hadoop MapReduce,这是因为Spark利用了内存计算和更复杂的流水线优化技术。 - **生态系统**:Hadoop生态更为成熟,有许多相关工具和项目(如...
Hadoop 与 Spark 技术比较 Hadoop 是一个大数据处理技术,解决了大数据存储和处理的问题。HDFS(Hadoop Distributed File System)提供了高可靠的文件存储,通过将块保存多个副本的办法解决服务器或硬盘坏掉的问题...
#### 三、Hadoop 与 Spark 的比较 - **速度**:Spark 通常比 Hadoop 的 MapReduce 快,主要是因为它利用了内存计算,减少了磁盘 I/O。 - **易用性**:Spark 提供了更丰富的数据处理 API,使得开发人员可以更加高效...
Spark的核心设计理念是快速数据处理,通过内存计算大幅度提高了数据处理速度,对比传统的MapReduce模型,Spark提供了更高的计算效率。在Spark 3.2.1版本中,包含了对性能的优化、新功能的添加以及已知问题的修复。 ...
### Spark性能测试报告-Spark SQL在不同存储格式下的性能对比 #### 测试目的与背景 本文旨在通过一系列的实验对比Spark SQL在不同存储格式(包括txt、Parquet、Ya100)下的性能表现。考虑到不同的机器环境及配置...
### Hadoop 2.7.3 + Hive 1.2.1 + Spark 2.0.1 性能测试知识点 #### 一、环境搭建与配置 **1.1 主机环境配置** - **修改主机名称:** - 通过编辑`/etc/sysconfig/network`文件来更改主机名,确保其符合实际需求...
它通过内存计算大大提高了数据处理的速度,对比传统的基于磁盘的数据处理框架如Hadoop MapReduce,Spark能够提供高达100倍的性能提升。这个版本的Spark集成了Hadoop 2.7,意味着它可以很好地与Hadoop生态系统中的...
#### 四、Hadoop与Spark的比较 虽然Hadoop和Spark都是用于大数据处理的技术,但它们之间存在一些显著的区别: - **性能**:由于Spark支持内存计算,因此在大多数情况下比Hadoop更快。 - **易用性**:Spark提供了...
在这个毕业设计项目中,我们构建了一个基于Hadoop和Spark的完全分布式薪资水平预测系统。这个系统旨在处理大规模数据,提供高效、准确的薪资预测服务,尤其适用于电商行业的数据分析。以下是项目涉及的关键技术点: ...
### Hadoop与Apache Spark对比分析 #### 引言 随着大数据技术的发展,各种创新不断涌现,使得处理海量数据成为可能。Hadoop与Apache Spark作为大数据领域内两大热门框架,在分布式计算方面发挥着至关重要的作用。...
在大数据处理领域,Spark以其内存计算特性而闻名,它通过在内存中存储中间结果,显著提升了数据处理速度,对比传统的MapReduce模型,Spark提供了更高效的批处理、交互式查询(通过Spark SQL)以及实时流处理(通过...
### Hadoop与传统大数据解决方案对比 #### 传统大数据解决方案 传统的大数据解决方案主要依赖于经典的关系型数据库管理系统(RDBMS),这类系统遵循Codd的十二规则,使用二维表的范式化模型存储数据,强调数据的...
在性能方面,Spark通常比Hadoop快很多倍,因为Spark的中间数据可以保存在内存中,避免了频繁的磁盘I/O操作。而Storm则提供了更低的延迟和高吞吐量,适合于实时计算任务。 从生态系统上看,Hadoop拥有完整的生态系统...
从技术特点来看,Hadoop的核心技术依赖于分布式文件系统HDFS和MapReduce编程模型,以及它的生态系统,包括Hive、HBase、Spark等组件,提供了灵活的存储和计算能力,适用于多种数据处理场景。MPP系统则采用了行列存储...