Stark_Summer
- 浏览: 720005 次
- 性别:
- 来自: 大连
-
最新评论
-
lixuanbin：
iteye已经快要tj了吧。。
iteye为什么不支持markdown? -
haorengoodman：
Tachyon 能在做数据分类吗？例如我有一坨hdfs文件，将 ...
tachyon与hdfs,以及spark整合 -
lee3836：
求源码，大牛
clover分布式任务调度系统 -
cfan37：
...
sparksql与hive整合 -
greemranqq：
9.9 送上，希望博客长久~。~
【【【【【#####>>>>>【关于我】【您·的·支·持·是·我·最·大·的·动·力】<<<<<#####】】】】】
文章列表
、下载scala2.11.5版本，下载地址为：http://www.scala-lang.org/download/2.11.5.html
2、安装和配置scala：
第一步：上传scala安装包 并解压
第二步 配置SCALA_HOME环境变量到bash_profile
第三步 source 使配置环境变量生效：
第四步 验证scala：
由于个人需要在自己的笔记本上搭建hadoop伪分布环境，为了方便自己使用，如想看机器也看之前的一篇博客：hadoop2.6.0版本集群环境搭建
一台虚拟机，配置信息如下：
内存：1G，cpu：一个core,硬盘：15G
1、修改下主机名为master
sudo vi /etc/sysconfig/network
修改结果后：
重启电脑后再查看结果：
我们在hdfs的/data/join创建两个文件：
上传第一个文件名称为1.txt
内容第一列是日期，第二列uid(普通用户id)
上传第二个文件名称为2.txt
内容第一列是日期，第二列uid(普通用户id)
执行上传到hdfs：
hdfs命令行查询：
1.临时修改主机名
显示主机名：spark@master:~$ hostnamemaster修改主机名：spark@master:~$ sudo hostname hadoopspark@master:~$ hostnamehadoop
PS:以上的修改只是临时修改，重启后就恢复原样了。
2.永久修改主机名
redhat/centos上永久修改
[root@localhost ~]# cat /etc/sysconfig/networkNETWORKING=yesHOSTNAME=localhost.localdomainGATEWAY=19 ...
1、clover分布式调度介绍
clover分布式任务调度是完全使用Java技术自主开发
特点如下:
1、防单点故障
2、job可部署多台，但任务调度时，只有一台参执行。如果一台下线，
clover选择其他已在zookeeper注册job来执行。
3、可管理监控程序 ，相关负责人的job不可用会发送邮件通知
4、提供
本节中所用到的内容是来自搜狗实验室，网址为：http://www.sogou.com/labs/dl/q.html
我们使用的是迷你版本的tar.gz格式的文件，其大小为87K，下载后如下所示：
上传到服务器后，解压并查看：
查看Sogou文件内容：
该文件的格式如下所示：访问时间 \t 用户ID \t 查询词 \t 该URL在返回结果中的
.tar解包：tar xvf FileName.tar打包：tar cvf FileName.tar DirName（注：tar是打包，不是压缩！）———————————————.gz解压1：gunzip FileName.gz解压2：gzip -d FileName.gz压缩：gzip FileName.tar.gz 和 .tgz解压：tar zxvf FileName.tar.gz压缩：tar zcvf FileName.tar.gz DirName———————————————.bz2解压1：bzip2 -d FileName.bz2解压2：bunzip2 FileName.bz2压缩： ...
这次 我们以指定executor-memory参数的方式来启动spark-shell：
启动成功了
在命令行中我们指定了spark-shell运行暂用的每个机器上的executor的内存为1g大小，启动成功后参看web页面：
从hdfs上读取文件：
在命令行中返 ...
下面看下union的使用：
使用collect操作查看一下执行结果：
再看下groupByKey的使用：
执行结果：
join操作就是一个笛卡尔积操作的过程，如下示例：
对rdd3和rdd4执行join操作：
从前一篇文章中的wordcount的输出结果可以看出来结果是未经排序的，如何对spark的输出结果进行排序呢？
先对reduceByKey的结果进行key,value位置置换（数字，字符），然后再进行数字排序，再将key，value位置置换后就是排序后的结果了，最终将结果存储到HDFS中
可以发现我们成功对输出结果进行排序！
操作HDFS：先要保证HDFS启动了：
启动spark集群：
以spark-shell运行在spark集群上：
查看下之前上传到HDFS上的”LICENSE.txt“文件：
用spark读取这个文件：
使用count统计该文件的行数：
我们可以看到count 耗时为0.239708s
对该RDD进行cache操作并执行count使得缓存生效：
首先以spark的本地模式测试spark API，以local的方式运行spark-shell：
先从parallelize入手吧：
map操作后结果：
下面看下 filter操作：
filter执行结果：
我们用
问题1：reduce task数目不合适
解决方案：
需要根据实际情况调整默认配置，调整方式是修改参数spark.default.parallelism。通常的，reduce数目设置为core数目的2-3倍。数量太大，造成很多小任务，增加启动任务的开销；数目太小，任务运行缓慢。所以要合理修改reduce的task数目即spark.default.parallelism
问题2：shuffle磁盘IO时间长
解决方案：
设置spark.local.dir为多个磁盘，并设置磁盘的IO速度快的磁盘，通过增加IO来优化shuffle性能；
问题3：map|reduce数量大，造成shuff ...
进入Worker类源码：
可以看出Worker本身是Akka中的一个Actor。
进入Worker类的LaunchExecutor：
从源代码可以看出Worker节点上要分配CPU和Memory给新的Executor，首先需要创建一个ExecutorRunner：
ExecutorRunner是用于维护executor进程的：
1、进入ExecutorRunner 的start方法：
1.1、进入fetchAndRunExecutor()方法（核心方法）：
注册Master有两种，一种是registerWithMaster方法，一种是tryRegisterAllMasters方法，前者是单Master的情况，后者是多Master，一般情况下是满足HA机制，我们看一下registerWithMaster方法：
此时会调用tryRegisterAllMasters方法：
此时通过Akka通过消息机制发送消息给Master来注册程序，RegisterApplication是一个case class，来封装消息：
我们进入Master的源代码：