weixin_45858664的博客

spark调优策略一.代码调优1.避免创建重复的RDD，服用同一个RDD以尽可能减少RDD的数量，从而减少算子计算次数2.对多次使用的RDD进行持久化如何选择合适的持久化？首先要知道持久化的级别都有哪些cache:MEMORY_ONLYpersist：MEMORY_AND_DISKMEMORY_ONLY_SERMEMORY_AND_DISK_SERDISK_ONLYMEMORY_ONLY_2MEMORY_AND_DISK_2checkpoint:①如果一个RDD的计算时间比较

Hive优化1）MapJoin如果不指定MapJoin或者不符合MapJoin的条件，那么Hive解析器会将Join操作转换成Common Join，即：在Reduce阶段完成join。容易发生数据倾斜。可以用MapJoin把小表全部加载到内存在map端进行join，避免reducer处理。默认是打开的，不要关闭。2）行列过滤列处理：在SELECT中，只拿需要的列，如果有，尽量使用分区过滤，少用SELECT *。行处理：在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在Where后面，那么就会

Hive性能调优通常建议使用以下属性：hive.optimize.reducededuplication.min.reducer=4hive.optimize.reducededuplication=truehive.merge.mapfiles=truehive.merge.mapredfiles=falsehive.merge.smallfiles.avgsize=16000000hive.merge.size.per.task=256000000hive.merge.sparkfiles

HIVE如何处理大量小文件一、 控制hive任务中的map数:通常情况下，作业会通过input的目录产生一个或者多个map任务。主要的决定因素有： input的文件总个数，input的文件大小，集群设置的文件块大小(目前为128M, 可在hive中通过set dfs.block.size;命令查看到，该参数不能自定义修改)；举例：a) 假设input目录下有1个文件a,大小为780M,那么hadoop会将该文件a分隔成7个块（6个128m的块和1个12m的块），从而产生7个ma

1.什么是flink？Apache Flink十一个能够提供毫秒级延迟，同时有保证了数据处理的低延迟、高吞吐和结果的正确性的框架和分布式处理引擎，用于对无界流和有界流进行状态计算2.Flink 的重要特点？事件驱动型基于流的世界观在Flink的世界观中，一切都是由流组成的，离线数据是有界限的流，实时数据是一个没有界限的流，这就是所谓的有界流和无界流。分层API越顶层越抽象，表达含义越简明，使用越方便越底层越具体，表达能力越丰富，使用越灵活3.什么是有界流和无界流？无界数据流：有定义流

1.面试题一：应用架构问题：公司怎么提交的实时任务，有多少 Job Manager？解答： 1. 我们使用 yarn session 模式提交任务。每次提交都会创建一个新的 Flink 集群，为每一个 job 提供一个 yarn-session，任务之间互相独立，互不影响， 方便管理。任务执行完成之后创建的集群也会消失。2. 集群默认只有一个 Job Manager。但为了防止单点故障，我们配置了高可用。 我们公司一般配置一个主 Job Manager，两个备用 Job Manager，然后结合 Zo

Linux下彻底卸载mysql详解1、确认当前主机是否安装MySQL数据库使用以下命令查看当前安装mysql情况，查找以前是否装有mysqlrpm -qa|grep -i mysql可以看到如下图的所示：显示之前安装了：MySQL-client-5.5.25a-1.rhel5MySQL-server-5.5.25a-1.rhel52、停止mysql服务、删除之前安装的mysql删除命令：rpm -e –nodeps 包名rpm -ev MySQL-client-5.5.25a-1.

web.xml is missing and is set to true的问题是因为项目中没有web.xml文件，解决步骤如下：

1.参见网址:http://spark.apache.org/docs/latest/spark-standalone.html2.对自己的服务器做一个规划3.准备工作网络免密钥把spark的包四台电脑都复制一份4.启动主服务器（haodoop102）sbin/start-master.sh会产生log日志 – 要看日志5.查看网页6.启动小弟(在想当小弟的服务器...

bin/sqoop list-databases --connect jdbc:mysql://jinghang02:3306/ --username root --password 000000//将RDNMS数据导入到hdfsbin/sqoop import –connect jdbc:mysql://jinghang02:3306/school –username root –pa...

Java -version 查看 jdk版本 whereis javac 查看jdk安装路径搭建spark搭建单机版本在/data/spark目录下上传spark的包解压压缩包tar -xzvf spark-2.4.4-bin-hadoop2.7.tgz修改文件夹的名字(去掉版本号)mv spark-2.4.4-bin-hadoop2.7/ spark安装好后尝...

报这个错，是因为关键在: com.google .common.base .Preconditions.checkArgument这是因为hive内依赖的guava.jar和hadoop内的版本不一致造成的。检验方法:1.查看hadoop安装目录下share/hadoop/common/lib内guavajar版本2.查看hive安装目录下lib内guavajar的版本如果两者不一致， ...

1.Why1.1.为什么要学习hbaseWeb框架图Model2开发的顺序:从下到上读别人代码的时候是从上到下总结(共性)所有的项目,数据都存储到了数据库中 数据库只认sql语句(crud)用户会在网页上进行:点击,双击,右击,滑动此效果;会被jsp(Servlet)(java)翻译成sql语句,发送给数据库Cud:是对数据库进行更改操作,R:对数据库进行查询操...

Hadoop优势hdfs定义hdfs优点什么是hiveHive：由Facebook开源用于解决海量结构化日志的数据统计。Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类SQL查询功能。本质是：将HQL转化成MapReduce程序1）Hive处理的数据存储在HDFS2）Hive分析数据底层的实现是MapReduce3）执行程序运行在Y...

zookeeper 总结1.zookeeper是什么：是一个分布式协调服务的开源概架，主要用来解决分布式集群中应用系统的一致性问题，本质上是一个分布式的小文件存储系统，使用目录树的方式存储数据，可以对树中的节点进行有效管理2.zookeeper的特性：Zookeeper: 一个领导者(Leader) ，多个跟随者(Follower) 组成的集群。2)集群中只要有半数以上节点存活，Zoo...

Hadoop的回顾以及面试试题以下是试题及总结1. Hadoop集群SafeMode模式SafeMode又称Hadoop安全模式是hadoop的一种保护机制，用于保证集群中的数据块的安全性。在安全模式下不允许客户端进行任何修改文件的操作,包括上传文件，删除文件，重命名，创建文件夹等操作 虽然不能进行修改文件的操作，但是可以浏览目录结构、查看文件内容的。在命令行下是可以...

hadoop1.x和hadoop2.x区别1.Hadoop1.X就是第一代Hadoop，由分布式存储系统HDFS和分布式计算框架MapReduce组成，其中HDFS由一个NameNode和多个DateNode组成，MapReduce由一个JobTracker和多个TaskTracker组成2.Hadoop2.0即第二代Hadoop。hadoop2中可以让多个NameNode分管不同的目录进而...

linux命令总结&shell总结&如何搭建伪分布式(总结)1linux命令总结（1）vim命令yy 复制当前行y数字y 从当前行开始，复制数字行p 粘贴u 撤销上一步dd 删除当前行d数字d 从当前行开始，删除数字行x 删除一位，向后删X 删除一位，向前删yw 复制一个词dw 删除一个词shift+^ 移动到本行开头shift+$ 移动到本行结尾g...