- 如果您觉得本站非常有看点，那么赶紧使用Ctrl+D 收藏吧
Dataset是1.6版本引入的新的实验接口, 整合了RDD的优势(强类型, 支持lambda方法)和Spark SQL执行引擎的各种优化. Dataset可以由JVM对象来构造并且使用transformation来变换(map, flatMap, filter等等). Dataset本身是DataFrame API的一种扩展, 它提供了类型安全, 面向对象……继续阅读 »
wangting
27秒前 2浏览
0个赞
Sql由SQLContext处理，HQL由HiveContext处理。二者使用不同的parser进行解析。
Sql parser的实现在Spark SQL catalyst源码中，基于scala ddl paser的库文件实现了一套词法语法分析器。
HQL是SQL在Hive中的”方言”，它的解析借助开源语法分析器antrl实现。
在H……继续阅读 »
wangting
3天前 7浏览
1个赞
如果是读取hdfs的文件，一般来说，partition的数量等于文件的数量。
如果单个文件的大小大于hdfs的分块大小，partition的数量就等于 “文件大小/分块大小”。
同时，也可以使用rdd的repartition方法重新划分partition。
另外，在使用聚合函数比如 reducebykey, groupbykey，可以通过指定partitio……继续阅读 »
wangting
3天前 4浏览
1个赞
对query按PV排序的时候, 特别慢, 原因是query往往很长尾, 排序的时候分桶不均匀,
排序时候在PV后面加一个随机数可以解决.
queryList.sortBy(x => (x.pv, Random.nextInt), ascending = false)
……继续阅读 »
wangting
3天前 6浏览
0个赞
Spark 1.4 on Yarn的计算资源参数配置同Spark 1.2区别
问题：
Spark 1.4 on Yarn的计算资源参数配置同Spark 1.2有何区别。
解答：
Spark 1.2中：
通过spark.cores.max控制总核数，运行时会尽可能满足。
通过spark.executor.memory控制单个executor占用总内存。
但在……继续阅读 »
wangting
5天前 3浏览
1个赞
Spark 1.4执行SQL查询过程中发现driver端Spark作业进程占用内存过大
PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND
5109 liuxinmi 20 0 9152m 8.5g 18m S 99.9 13.5 7:04.13 java
15632 liuxinmi 20 0……继续阅读 »
wangting
5天前 4浏览
1个赞
报错信息如下：
org.apache.spark.SparkException: Job aborted due to stage failure:
Serialized task 6:0 was 12518780 bytes which exceeds spark.akka.frameSize (10485760 bytes).
Consider usin……继续阅读 »
wangting
5天前 3浏览
1个赞
spark和mapreduce如果运行时报如下错误：
java.io.IOException: No space left on device
原因如下：
1) 如果是driver端机器抛出该异常，一般是/root/tmp 空间不够了。
可以通过配置spark.local.dir参数指定自定义的tmp目录。
2) 如果是集群executor端机器抛出该异常，……继续阅读 »
wangting
5天前 2浏览
1个赞
执行类似 xxx.write.format(“parquet”).save(‘xxxx’) 的操作。
虽然UI上显示completed
但是后台会hold主进程 一段时间，有时候几分钟，有时候十几分钟
最后hang住的原因是hadoop2.x commit job是在driver端单线程做的，当结……继续阅读 »
wangting
5天前 2浏览
1个赞
spark在运行过程中出现task fail 报如下错误：
org.apache.spark.shuffle.FetchFailedException: java.io.FileNotFoundException: /home/disk2/spark/spark-a26b1ea4-d622-4af0-88c9-d73ebba7f79e/spark-local……继续阅读 »
wangting
5天前 4浏览
1个赞
