1、在配置hadoop时不要将HADOOP_CONF_DIR加入到PATH中去,否则会造成只能从hdfs中读数,要从本地读数的就没了
2、使用spark-submit时,jar包中(或脚本文件中)的master会覆盖shell的master参数,因此当发现spark程序占用异常时,可查下这两处的配置!!!
3、standalone模式下使用:
–conf spark.cores.max=32 --executor-memory 2g --executor-cores 32来控制CPU和内存资源,如上executor的数量为"spark.cores.max=32"/–executor-cores 32=1,内存使用为1*2=2g。否则,默认情况下会满核使用。
4、spark关于在jupyter中使用scala的安装配置,我用过两种方式,
- Apache Toree
这个比较方便,安装时不会下载其他依赖的包,直接套用spark安装包中的scala,启动jupyter时配置sparkcontext参数即可,比较轻量 - almond
这个相对上面来讲会下载很多依赖包,并且要让almond的版本和spark-scala的版本对齐,不能乱下,我当时使用这个是因为上面那种方案jupyter的cell输出中和后台shell中没有任何的报错信息,调试不了才用的这个,很玄学。