PowerMee-CSDN博客

原创 Clickhouse实现累计求和cumulative sum

源表数据如下：timeprovinceorder_cnt20200601shandong10020200601jiangsu20020200601zhejiang30020200602shandong20020200602jiangsu30020200602zhejiang40020200603shandong40020200603jiangsu50020200603zhejiang600需求是

2020-06-15 19:13:51 7878 9

原创 spark通过官方jdbc写入数据到clickhouse

因为之前测试spark 2.4.0以上版本无法通过native jdbc接口写入clickhouse(之前的文章)，尝试了下官方的jdbc接口。环境clickhouse两个分片，无副本读取hive分区，不同分区数据交替写入两个分片实现import java.util.Randomimport org.apache.spark.SparkConfimport org.apache.spark.sql.types.{DoubleType, LongType, StringType}impo

2020-05-21 14:04:19 4447 6

原创 clickhouse jdbc报错：Too many partitions for single INSERT block (more than 100)

通过clickhouse官方jdbc写入时报错：Too many partitions for single INSERT block (more than 100)解决：调整了建表时PARTITION BY分区字段，因为是从hive里读的，所以直接用了hive分区的值: PARTITION BY dt，之前用的add_time字段做分区：toYYYYMMDD(toDateTime(last_update_time, 'Asia/Shanghai'))，这个字段在同一批次写入里包括大于100个分区值，c

2020-05-21 13:49:55 4296

原创 Spark DataSource API 分析

什么是Spark Datasource APISpark Datasource API 是一套连接外部数据源和Spark引擎的框架它主要是给Spark框架提供一种快速读取外界数据的能力，它可以方便地把不同的数据格式通过DataSource API注册成Spark的表，然后通过Spark SQL直接读取。它可以充分利用Spark分布式的优点进行并发读取，而且SparkSQL本身有一个很好的Catalyst优化引擎，能够极大的加快任务的执行。Spark Datasource API 同时提供了一套优化机制

2020-05-20 11:11:47 464

原创 Spark Streaming 指定消费Topic中某个Partition的数据

最近接触到一个需求：通过Driect API消费Kafka topic中指定partiton中的数据。这个partition中的数据是用户通过某种算法过滤出的有效数据，其他partition数据不作处理，代码片段实现如下：val kafkaParams = Map[String, String]("metadata.broker.list" -> "ip:port", "auto.offset.reset" -> "largest") val kc = new KafkaCluste

2020-05-20 11:10:06 503

原创 SparkStreaming 新增Metrics 支持Kafka数据消费堆积监控

在SparkStreaming任务运行的过程中，由于数据流量或者网络的抖动，任务的batch很可能出现delay，所以就出现了一个需求：实时监控任务对kafka消息的消费，及时了解堆积情况。这个需求应该有很多种解决方案，我这边提供的思路是基于Spark Metrics System的。SparkStreaming任务在运行过程中，会产生很多Metrics信息，不断地推送到Sink上面，我们这里使用到的是MetricsServlet。打开Spark UI，我们能够很方便地通过RestAPI方式请求任务Me

2020-05-20 11:07:04 483

原创 SparkStreaming使用messageHandler预处理Kafka数据

在SparkStreaming任务中，可以使用DirectKafkaInputDStream中的messageHandler功能对接受到的kafka数据做下预处理，接口声明如下图：最近就收到一个需求，很简单：如果kafka中的原数据类似于【a,b,1:2:3,d】，但想要将数据的[1:2:3]字段拆开分别跟其他字段组成一个字符串，如:【a,b,1,d】【a,b,2,d】【a,b,3,d】这时就可以使用messageHandler对原数据做处理，实现主要代码如下：...

2020-05-20 11:05:35 340

原创 HistoryServer 进程运行日志无限增长问题解决

Spark-HistoryServer在运行过程中会打印自身进程的日志，这里是指打印在${SPARK_HOME}/logs目录下，名称为spark-spark-org.apache.spark.deploy.history.HistoryServer-1-node.hostname.out的日志，非eventLog。这个日志在Spark层面没有做相应的控制，也没有相应的参数做调优。这种情况下该日志文件会无限增长，最终将磁盘打满。前面我分享过一篇关于Driver/Executor日志控制的文章（在这里），这篇

2020-05-20 11:04:13 383

原创 SparkOptimizer 优化规则：OptimizeMetadataOnlyQuery

这两天在SparkSQL Core看到一个优化规则：OptimizeMetadataOnlyQuery，它的意思是如果一个sql只涉及表的分区字段元信息查询的话，执行过程将不会路由到TableScanExec的PhysicalPlan进行表扫描，而是通过分区元信息的字段和值构建LocalRelation，进而构造一个LocalTable，走LocalTableScanExec的PhysicalPlan。这个规则的触发要满足下面几个条件：sql中所有查询的字段必须是分区字段如果使用了聚合函数，必须满足

2020-05-20 11:01:55 416

原创 SparkSQL针对DataSource表的Cache优化

Spark内部针对DataSource表的查询做了缓存优化，使得在同一任务中多次访问同一张DataSource表场景下可以跳过重复的获取表meta数据过程，以提升表读取性能。缓存的内容是表名和其对应的LogicalRelation。缓存机制：SQL语法解析后进行Analyzer的过程，因为我们关注表的缓存机制，所以只看表分析中的一个关键Rule：ResolveRelations。Analyzer 对Parsed Logical Plan进行遍历，发现UnresolvedRelation后，就对它启动合规

2020-05-20 11:00:17 512

原创 Spark日志过大导致磁盘溢出问题解决方案

一问题背景平台近期出现多次spark任务日志文件将磁盘打满，导致平台异常报警和任务失败的情况，这些任务包括Spark-Streaming任务和普通Spark任务。产生该问题的原因主要是：Spark-Streaming任务运行时间比较长，Executor和Driver进程产生的Spark系统日志数量很大；业务用户在应用代码中使用System.out.print等输出了大量的调试信息（曾有任务运行40分钟打满100G日志文件）。以上信息全部输出在Yarn Container日志路径下的stdout和std

2020-05-20 10:58:50 1495

原创 SparkOptimizer 优化：OptimizeIn（In to InSet）

最近在调试Spark-SQL的时候看了一个OptimizeIn优化规则，该规则做了两个事情：去除In中重复的Literal条件；如果In中Literal条件数目大于optimizerInSetConversionThreshold（默认值为10），做In到InSet的表达式转换。在做DataSource扩展filter pushdown的时候要注意处理这种优化。源码如下：实例：...

2020-05-18 12:02:41 366

原创使用Spark-SQL进行ElasticSearch数据探查

目前针对SQL on ElasticSearch 已经有了比较好的解决方案：elasticsearch-sql，其实Spark-SQL也可以满足一些基本的ES数据探查的需求，实现起来也相对简单。elasticsearch-spark的包针对ES扩展了Spark Datasource，我们可以使用sql查询es中的数据，中间Spark充当了“SQL解析器”的角色。环境与数据准备：Spark-2.1.0环境；elasticsearch-spark-20_2.11-5.4.2.jar；Hive环境E

2020-05-18 12:01:12 709

原创 Spark JDBC DataSource 下推全部SQL逻辑

通过源码可以知道，目前Spark JDBC Datasource在拉取数据形成JDBCRDD时，只把查询字段列表，表名和Filter下推到了数据库一侧：如果我的sql还有聚合查询，那么聚合查询其实是在Spark端执行的。即先经过过滤把所需字段的所有数据抽取出来形成RDD，在RDD上再执行聚合操作。那能不能把全部SQL都下推到数据库侧呢？答案是可以的。看代码逻辑，只要将table变量构成一个子句即可，子句的逻辑就是我要查询的sql逻辑，比如select avg(scores), class from

2020-05-18 11:58:57 458

原创 Spark LogicalPlan 逆向生成SQL语句

在使用spark进行sql分析过程中，一般是将sql语句解析成LogicalPlan查看执行计划，LogicalPlan能够帮助我们了解Spark-SQL的解析，转换，优化，映射和执行的机制。最近在看Spark-SQL源码过程中，了解到一个逆向逻辑，即将LogicalPlan逆向生成SQL语句。代码实现在org.apache.spark.sql.catalyst.SQLBuilder中。如果手上有一个logicalPlan，通过创建SQLBuilder实例，调用toSQL方法就可以进行逆向转化。值

2020-05-18 11:55:19 681

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

PowerMe