需求描述
表1大量数据,表2小量数据,表1通过join表2补充数据,将表1按照某个条件分区然后各分区排序,用dataset批处理
表1有1275个gz文件,每个500多M,解压后1.8G,gz文件只能单线程读,所以并发数设成文件数
主要问题
flink的官方文档还比较好,api说明挺清楚,yarn的配置是难点,各种报错
org.apache.flink.runtime.io.network.netty.exception.RemoteTransportException: Connection unexpectedly closed by remote task manager 'hostname/1.1.1.1:36886'. This might indicate that the remote task manager was lost
java.util.concurrent.TimeoutException: Heartbeat of TaskManager with id container_a11_1553213258761_7228_01_021030 timed out.
org.apache.flink.util.FlinkException: The assigned slot container_a11_1553334567761_7286_01_004008_7 was removed.
java.io.IOException: Thread 'SortMerger Reading Thread' terminated due to an exception: Consumed partition PipelinedSubpartitionView(index: 0) of ResultPartition 665042c64946d24ca6258cc1cc205540@da7136b7f7d3e9f75825dc88d9950f3c has been released.
分析主要应该是TaskManager内存和slot数的匹配设置问题,好在最后终于跑顺了。
akka.pattern.AskTimeoutException
这个报错目前分析处三种可能的原因:
- 并发度超过yarn容量,减小并发度
- 网络交互耗时长,加大akka.ask.timeout设置
- 分发任务的时候耗时长,web监控超时了,加大web.timeout设置
其中有个关键点,排序如果使用完整的时间戳字符串“2019-01-01 10:00:00.123456”,就要逐个字符比较ascii码,前面10几位都是一样的,资源消耗比较大,跑崩,如果提取一个秒数转换为整数作比较就可以了。
不同并发数的效率对比
并发 | taskmanager.memory.preallocate | 耗时 |
---|---|---|
1200 | true | 271963 ms |
1500 | true | 313939 ms |
1275 | true | 260447 ms |
1000 | true | 273832 ms |
1275 | false | 138437 ms |
- 并发数高于或低于文件数都比等于文件数慢,越小于文件数越慢
- taskmanager.memory.preallocate是用于批处理时预分配内存的配置,设置成true更慢
MapReduce Tez Flink 对比
MapReduce | Tez | Flink |
---|---|---|
258 s | 170 s | 133 s |