weixin_44085938的博客

plugin><goals></goals><jvmArgs></jvmArgs></plugin>

预分区一种可以加快批量写入速度的方法是通过预先创建一些空的regions，这样当数据写入 HBase时，会按照region分区情况，在集群内做数据的负载均衡。知道hbase数据表的key的分布情况，就可以在建表的时候对hbase进行region的预分区。这样做的好处是防止大数据量插入的热点问题，提高数据插入的效率。步骤：首先就是要想明白数据的key是如何分布的，然后规划一下要分成多少region，每个region的startkey和endkey是多少，然后将规划的key写到一个文件中。key后面会跟

1、启动hadoopstart-all.sh验证http://master:500702、启动zookeeper需要在在三台中分别启动zkServer.sh startzkServer.sh status搭建hbase1、上传解压配置环境变量tar -xvf hbase-1.4.6-bin.tar.gz2、修改hbase-env.sh文件增加java配置export JAVA_HOME=/usr/local/soft/jdk1.8.0_171关闭默认zk配置export HBA

时间类型date：yyyy-MM-ddtimestamp: yyyy-MM-dd HH:mm:ss日期函数时间戳转日期格式from_unixtime(bigint unixtime,格式)格式可自己指定，默认是yyyy-MM-dd HH:mm:ss格式，时间戳是bigint类型返回值：string获取当前时间的时间戳select unix_timestamp()timestamp日期时间转时间戳默认情况下：unix_timestamp(‘yyyy-MM-dd HH:mm:ss’

standalone1、上传解压，配置环境变量 配置bin目录2、修改配置文件 confcp spark-env.sh.template spark-env.sh增加配置export SPARK_MASTER_IP=masterexport SPARK_MASTER_PORT=7077export SPARK_WORKER_CORES=2export SPARK_WORKER_INSTANCES=1export SPARK_WORKER_MEMORY=2gexport JAVA_HOME

代码调优避免创建重复的RDD尽可能复用同一个RDD对多次使用的RDD进行持久化首选缓存策略是memory_only，如果RDD中的数据比较多，直接使用这种持久化级别，容易导致JVM的OOM内存溢出异常其次再是MEMORY_AND_DISK_SER，SER会进行序列化，对数据进行压缩尽量避免使用shuffle类算子使用map-side预聚合的shuffle操作使用高性能的算子使用reducerByKey代替groupByKey，reducerByKey会在map端提前

yarn是如何执行一个mapreduce job的：首先，Resource Manager会为每一个application在NodeManager里面申请一个container，然后在container里面启动一个application master。container在yarn中是分配资源的容器（内存、cpu、硬盘等），它启动时便会相应启动一个jvm。然后，application master便陆续为application包含的每一个task向resource manager申请一个container

shuffle过程：map方法之后，reduce方法之前的数据处理过程称为shuffle过程在环形缓冲区出来以后，进行分区，排序（快排，对key的索引进行排序，按照字典顺序排），然后可以有combiner过程，进行提前预聚合，再进行溢写。有多次溢写（因为环形缓冲区100M不止存储数据，还存储了像索引这些的元数据），形成多个溢写文件。再对溢写文件进行归并排序，形成一个分区的文件，写到磁盘。reduce task对拉去相同分区的数据，再对相同分区的数据进行归并、排序、分组，使得相同的key进入同一个r.

mapreduce工作流程map任务处理1.1 框架使用InputFormat类的子类把输入文件(夹)划分为很多InputSplit，默认，每个HDFS的block对应一个InputSplit。通过RecordReader类，把每个InputSplit解析成一个个<k1,v1>。默认，框架对每个InputSplit中的每一行，解析成一个<k1,v1>。1.2 框架调用Mapper类中的map(…)函数，map函数的形参是<k1,v1>对，输出是<k2,v2

本文章详细给出了mapreduce的分区策略原理