2016年11月_向往的生活Life

12月 11月 09月 07月 05月 02月

原创 Spark相关参数

应用配置 spark.app.name spark任务应用名称，在SparkUI界面以及日志数据中使用 spark.driver.cores spark，driver进程使用的CPU core数量，只有在cluster模式下生效 spark.driver.maxResultSize spark设置driver所有partitions序列化结果最大大小（最大1G），如果超过这个值，会占用

2016-11-30 10:22:38 2978

原创 Spark Standalone模式部署

Spark可以在Mesos或者YARN集群管理平台运行，也可以使用spark的standalone（独立）部署模式，主要用于本机测试用。安装部署Spark需要是编译后的版本，可以到spark官网下载http://spark.apache.org/downloads.html 解压开（部署之前需要准备JAVA环境，配置JAVA_HOME）运行脚本： ./sbin/start-mast

2016-11-23 15:35:07 824

转载 Spark数据倾斜调优

调优概述有的时候，我们可能会遇到大数据计算中一个最棘手的问题——数据倾斜，此时Spark作业的性能会比期望差很多。数据倾斜调优，就是使用各种技术方案解决不同类型的数据倾斜问题，以保证Spark作业的性能。数据倾斜发生时的现象　　1、绝大多数task执行得都非常快，但个别task执行极慢。比如，总共有1000个task，997个task都在1分钟之内执行完了，但是剩余两三

2016-11-20 11:04:52 526

原创 spark之RDD

Spark revolves around the concept of a resilient distributed dataset (RDD), which is a fault-tolerant collection of elements that can be operated on in parallel. There are two ways to create RDDs:

2016-11-04 14:25:59 702

转载海量数据面试题整理

海量数据面试题整理　　1. 给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？　　方案1：可以估计每个文件安的大小为50G×64=320G，远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。　　s 遍历文件a，对每个url求取，然后根据所取得的值将url分别存储到1000个小文

2016-11-03 16:45:25 323