storm学习笔记

最新推荐文章于 2023-08-15 15:32:29 发布

给我稳住

最新推荐文章于 2023-08-15 15:32:29 发布

阅读量311

点赞数

分类专栏：大数据文章标签： storm spark学习笔

本文链接：https://blog.csdn.net/weixin_45016019/article/details/101781655

版权

大数据专栏收录该内容

0 篇文章 0 订阅

订阅专栏

Storm学习笔记

Storm架构和编程模型总结

stomr内部通讯机制

Disruptor

一种可替代有界队列完成并发线程间数据交换的高性能解决方案。
底层通过环形缓冲区，和序号管理器实现。 没有锁的竞争，因此并发高， 每秒可达600万的生产和消费。

Netty权威指南

spark 学习笔记

自定义partioner

1.继承spark的partitioner ，重写两个方法，应用 key-value 形式的数据
2.默认使用hashPartitioner, 但会存在hash碰撞问题

自定义排序sort

1.继承ordered类， 重写compare方法

广播变量

我们可以把数据缓存到任务所在的excute里面，例如：把ip的规则缓存起来
var arr = rdd.collect ,先执行action 获取数据到driver。再执行broadcast广播到excute。
var bd = sc.broadcast(arr)

RDD缓存机制

RDD有时候在计算时非常快， 是因为我们可以把一些数据缓存在内存当中。
以后在创建新的RDD时，可以使用之前缓存的数据。
使用rdd.cache() 方法缓存，rdd.unpersist(true)取消缓存。 是个transformation ， 在执行action时才会缓存下来。

checkPoint

将rdd的产生的数据，存下来到HDFS， 当内存或磁盘出现故障时，仍旧可以获取之前rdd的结果。防止中间结果丢失。
恢复的时候会根据依赖关系进行恢复。

spark任务提交流程

1. RDD在经过 transformation和action 之后 生成一个DAG(有向无环图)
2. DAGScheduler 将 DAG切分成一个个的stage，然后以 taskSet的方式 提交给 taskScheduler
3. taskScheduler中 Master(Cluster manager)决定在哪些机器上起Excutor，而 driver将任务提交到 worker ，并有失败重试机制
4. worker执行Excutor

启动Drive时 指定使用的资源，内存/CPU，一启动就会调自己写的 main方法，main方法里会创建sparkContext ,sparkContext创建完后就和Master建立起链接了。然后master会根据任务所需的资源，到集群找符合条件的work，然后master跟work建立RPC通信，告诉work启动Excutor，之后Excutor就和Driver建立起通信，driver给Excutor提交task。

宽依赖（narrow）和窄依赖（wide dependencies）

narrow dependencies:  一对一, 多对一 即 一个父RDD只给一个子RDD
	map , filter 针对一个分区的
	union
	join 在大多数情况下都是宽依赖，只有 join with inputs co-partitioned 是窄依赖（提前groupBy之后的 join是窄依赖）

注意：两个RDD 才能join， 并且Key Value 的数据才能Join 

wide dependencies :  一个父RDD 给多个子RDD
	groupByKey
	 join with inputs not co-partitioned 

两者重要区别是：有没有发生 shuffer(英文：洗牌)
划分stage重要的依据是 宽依赖，但最终的stage 可能需要前面多个的结果，所以是个整体的stage

SparkSql

1.dataframe : 分布式数据容器，更像传统数据库的二维表格，除了记录数据以外，还记录了数据的结构信息。

var df = personRDD.toDF
df.show()
df.select("id","name").show()  ------> select 相当于transformation ， show相当于action
df.filter(col("age") >=18 ).show()
...

2.如果想使用sql风格的语法，需要将DataFrame 注册成表

personDF.registerTempTable("t_person")
sqlContext.sql("select * from t_person order by age desc limit 2").show
sqlContext.sql("desc t_person ").show   // 查询表信息

object SQLDemo{
	def main(args:Array[String]){
		var conf = new SparkConf().setAppName("SQLDemo").setMaster("local")
		var sc = new SparkContext(conf)
		var sqlContext = new SQLContext(sc)
		System.setProperty("user.name","bigdata")
		var personRdd = sc.textFile("hdfs://node-1.itcast.cn:9000/person.txt").map(line =>{
			val fields = line.split(",")
			Person(fields(0).toLong,fields(1),fields(2).toInt)
		})
		//导入隐式转换，如果不导入无法将rdd转换成dataframe
		import sqlContext.implicits_
		var personDF = personRdd.toDF
		//注册表
		personDF.registerTempTable("t_person")
		//传入sql
		var df = sqlContext.sql("select * from t_person order by age desc limit 2")
		//将结果以JSON的方式 存储到指定位置
		// df.save()
		df.write.json(args(1))
		//停止Spark Context
		sc.stop()

	}
}

case class Person(id:Long,name:String,age:Int)

通过structType直接指定每个字段的 schema

	var conf = new SparkConf().setAppName("SQLDemo").setMaster("local")
	var sc = new SparkContext(conf)
	var sqlContext = new SQLContext(sc)
	var personRDD = sc.textFile(args(0)).map(.split(" "))
	var schema = StructType(
		List(
			StructField("id",IntegerType,true)
			StructField("name",StringType,true)
			StructField("age",IntegerType,true)
		)
	)
	//将RDD映射到rowRDD
	val rowRDD = personRDD.map(p => Row(p(0).toInt,p(1).trim,p(2).toInt))
	//将schema信息应用到rowRDD上
	val personDataFrame = sqlContext.createDataFrame(rowRDD,schema)
	//注册表
	personDataFrame.registerTempTable("t_person")
	//执行sql
	var df = sqlContext.sql("select * from t_person order by age desc limit 2")
	//将结果以JSON的方式 存储到指定位置
	// df.save()
	df.write.json("hdfs://node-1.itcast.cn:9000/json")
	//停止Spark Context
	sc.stop()

4.load数据

val df = sqlContext.load("hdfs://node-1.itcast.cn:9000/json","json")

5.hive on spark

hive的 执行引擎换成 spark rdd ; MR --> spark
spark 要知道hive的元数据在哪里，hive-site.xml  core-site.xml  hdfs-site.xml  放到spark-home/conf 目录下
启动命令：spark-sql   --master  --driver-class-path  mysql驱动

6.远程debug

spark-env.sh 添加参数
IDEA里 设置remote ，host填执行机ip地址 和 暴露端口

spark Streaming

RDD SQL
Streaming 吞吐量较 storm 大，设置时间间隔，批处理

object StreamingWordCount{
	def main(args:Array[String]){
		var conf = new SparkConf().setAppName("StreamingWordCount").setMaster("local[2]")
		var sc = new SparkContext(conf)
		sc.setCheckPointDir("c://ck")
		//设置rdd产生的 时间间隔
		var ssc = new StreamingContext(sc,Seconds(5))
		//接收数据  linux 命令往端口写数据 nc -lk 8888，会启动一个socketServer 和SocketClient(即命令行，输入数据)
		val ds = ssc.socketTextStream("172.16.0.11",8888)
		//DStream是一个特殊的RDD
		//reduceByKey 计算当前批次的
		val result = ds.flatMap(_.split("")).map(_,1).reduceByKey(_+_)
		//updateStateByKey 计算累加值，必须设置checkpoint,只需设置dir即可，他会自动ck， 防止程序意外终止时，原来计算的数据丢失
		val totalResult = ds.flatMap(_.split("")).map(_,1).updateStateByKey(updateFunc ,new HashPartitioner(sc.defaultParallelism),true)

		//打印结果
		result.print()
		//存到redis 或其它地方
		result.mapPartitions(it =>{
			//val connection
			//it.map()
		})
		ssc.start()
		ssc.awaitTermination()

	}
}

//创建一个 function , Seq里装的是这个批次某个单词的次数，Option装的是以前的结果
//(hello,1) (hello,1) (tom,1)
//（hello,Seq(1,1)） (tom,Seq(1))
val updateFunc = (iter:Iterator[(String,Seq[Int],Option[Int])])=>{
	//x代表单词；y 代表seq ；z代表以前sum，没有则取0
	iter.flatMap{case(x,y,z)=>Some(v.sum + z.getOrElse(0)).map(x=>(x,m))}
	
	//iter.map(t => (t._1, t._2.sum + t._3.getOrElse(0)))
	//iter.map{case(word,current_count,history_count)=> (word,current_count.sum + history_count.getOrElse(0))}
}

遗留问题

foreachPartition 往mysql写数据时， 写入的不是分区的数据吗？
例如：1 区  ‘tom’ 单词 的count 为3 ； 2区  ‘tom’ 单词 的count为6 ，本应该写入 ‘tom’ 单词 count 为9这一条数据的， 结果写入了 两条分别为 3 和 6的数据？？

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

全新的界面设计 ，将会带来全新的写作体验；
在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
全新的 KaTeX数学公式 语法；
增加了支持甘特图的mermaid语法¹ 功能；
增加了 多屏幕编辑 Markdown文章功能；
增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

~~删除文本~~

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片:

居中的图片: Alt

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

项目
- 项目
  - 项目

项目1
项目2
项目3

计划任务
完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	`'Isn't this fun?'`	‘Isn’t this fun?’
Quotes	`"Isn't this fun?"`	“Isn’t this fun?”
Dashes	`-- is en-dash, --- is em-dash`	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma(n) = (n-1)!\quad\forall n\in\mathbb N$ 是通过欧拉积分

$\Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

关于 甘特图 语法，参考这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

这将产生一个流程图。:

关于 Mermaid 语法，参考这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

关于 Flowchart流程图 语法，参考这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

mermaid语法说明 ↩︎
注脚的解释 ↩︎

给我稳住

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
storm学习笔记

storm学习笔记Storm学习笔记新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入Storm学习笔记Sto...
复制链接

扫一扫