- 博客(99)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 深入理解Spark RDD——RDD信息对象
RDDInfo用于描述RDD的信息，RDDInfo提供的信息如下：id：RDD的id。 name：RDD的名称。 numPartitions：RDD的分区数量。 storageLevel：RDD的存储级别（即StorageLevel）。 parentIds：RDD的父亲RDD的id序列。这说明一个RDD会有零到多个父RDD。 callSite：RDD的用户调用栈信息。 scope：...
2019-08-16 11:20:53
3133
1
原创 深入理解Spark RDD——RDD分区计算器Partitioner
在《深入理解Spark RDD——RDD依赖（构建DAG的关键）》一文，详细描述了RDD的宽窄依赖。RDD之间的依赖关系如果是Shuffle依赖，那么上游RDD该如何确定每个分区的输出将交由下游RDD的哪些分区呢？或者下游RDD的各个分区将具体依赖于上游RDD的哪些分区呢？Spark提供了分区计算器来解决这个问题。ShuffleDependency的partitioner属性的类型是Partiti...
2019-08-16 11:14:50
2502
原创 深入理解Spark RDD——RDD依赖（构建DAG的关键）
在《深入理解Spark RDD——为什么需要RDD?》一文我们解释了为什么需要RDD，并且在《深入理解Spark RDD——RDD实现的初次分析》一文对RDD进行了基本的分析，本文将继续对RDD的依赖实现进行分析。正是由于RDD之间具有依赖关系，才能进而转换为调度中的DAG。DAG中的各个RDD之间存在着依赖关系。换言之，正是RDD之间的依赖关系构建了由RDD所组成的DAG。Spark使用De...
2019-08-12 15:31:53
2008
3
原创 深入理解Spark RDD——RDD实现的初次分析
RDD（Resilient Distributed Datasets，弹性分布式数据集）代表可并行操作元素的不可变分区集合。对于Spark的初学者来说，这个概念会十分陌生。即便是对于一些有Spark使用经验的人，要想说清楚什么是RDD，以及为什么需要RDD还是一件比较困难的事情。在《深入理解Spark RDD——为什么需要RDD?》一文解释了第二个问题，本文将开启对第一个问题的解答。有些读者可...
2019-06-21 09:49:19
1532
原创 深入理解Spark RDD——为什么需要RDD?
RDD（Resilient Distributed Datasets，弹性分布式数据集）代表可并行操作元素的不可变分区集合。对于Spark的初学者来说，这个概念会十分陌生。即便是对于一些有Spark使用经验的人，要想说清楚什么是RDD，以及为什么需要RDD还是一件比较困难的事情。本文首先解释第二个问题。为什么需要RDD？以下从数据处理模型、依赖划分原则、数据处理效率及容错处理4个方面解释Spa...
2019-06-11 10:00:25
2555
原创 累计三年，断断续续的管理经验
在写标题的时候，本来要写成《累计三年，断断续续的项目管理经验》。后来想想，以我对管理的认识和感悟，管理好一个项目真的不是只管理项目这么简单。 何为断断续续？是因为这四年的管理经验不是连续的，分为了三段而已。2009年，在一家传统软件公司第一次担任了项目组长，这半年经验是伴随着我的离职而结束的。2013年在一家互联网公司有过一年多的管理经验，也是项目组长。目前在国内最重...
2019-06-03 10:59:15
3757
16
原创 Spark2.1.0——广播管理器BroadcastManager
BroadcastManager用于将配置信息和序列化后的RDD、Job以及ShuffleDependency等信息在本地存储。如果为了容灾，也会复制到其他节点上。创建BroadcastManager的代码实现如下。val broadcastManager = new BroadcastManager(isDriver, conf, securityManager)Broa...
2019-04-28 10:25:32
2168
原创 累计三年，断断续续的管理经验
累计三年，断断续续的管理经验序言一、融入二、豁达三、担当四、勿好为人师五、人尽其能六、谦卑七、平等互信八、员工激励结尾序言在写标题的时候，本来要写成《累计三年，断断续续的项目管理经验》。后来想想，以我对管理的认识和感悟，管理好一个项目真的不是只管理项目这么简单。何为断断续续，是因为这四年的管理经验不是连续的，而是分为了三段而已。2009年，在一家传统软件公司第一次担任了项目组长，这半年经验是...
2019-04-09 16:18:38
866
原创 Spark2.1.0——存储体系概述
本书在5.7节曾介绍过存储体系的创建，那时只为帮助读者了解SparkEnv，现在是时候对Spark的存储体系进行详细的分析了。简单来讲，Spark存储体系是各个Driver、Executor实例中的BlockManager所组成的。但是从一个整体出发，把各个节点的BlockManager看成存储体系的一部分，那么存储体系还有更多衍生内容，比如块传输服务、map任务输出跟踪器、Shuffle管理器等...
2019-04-09 15:49:38
18537
原创 Spark常见故障诊断（一）
本人维护的Spark主要运行在三个Hadoop集群上，此外还有其他一些小集群或者隐私集群。这些机器加起来有三万台左右。目前运维的Spark主要有Spark2.3和Spark1.6两个版本。用户在使用的过程中难免会发生各种各样的问题，为了对经验进行沉淀，也为了给Spark用户提供一些借鉴，这里将对各类问题如何处理进行介绍。由于故障种类繁多，所以我会开多个博客逐一进行介绍。本文介绍一些Spark1...
2019-04-01 09:29:18
12105
9
原创 Spark2.1.0——Spark环境更新
阅读提示：本文是对SparkContext中对用户通过--jars（或spark.jars）和--files（或spark.files）参数添加的外部资源进行的分析。用户提交任务时往往需要添加额外的jar包或其它文件，用户任务的执行将依赖这些文件。这些文件该如何指定？任务在各个节点上运行时又是如何获取到这些文件的呢？我们首先回答第一个问题。在SparkContext的初始化过程中会读取用户...
2018-12-27 11:56:35
1238
4
原创 Spark2.1.0——ContextCleaner的工作原理分析
ContextCleaner是SparkContext中的组件之一。ContextCleaner用于清理那些超出应用范围的RDD、Shuffle对应的map任务状态、Shuffle元数据、Broadcast对象以及RDD的Checkpoint数据。创建ContextCleaner创建ContextCleaner的代码如下。 _cleaner = if (_conf....
2018-12-17 09:54:32
6758
原创 Spark2.1.0——Executor动态分配的实现原理
ExecutorAllocationManager的作用已在《Spark2.1.0——SparkContext概述》一文有过介绍，更为准确地说，ExecutorAllocationManager是基于工作负载动态分配和删除Executor的代理。简单讲，ExecutorAllocationManager与集群管理器之间的关系可以用图1来表示。图1 Executo...
2018-12-10 09:43:15
9241
2
原创 Spark2.1.0——创建SparkUI的分析
阅读建议：阅读本文前，最好先阅读《Spark2.1.0——SparkUI的实现》和《Spark2.1.0——WebUI框架体系》。 在SparkContext的初始化过程中，会创建SparkUI。有了对WebUI的总体认识，现在是时候了解SparkContext是如何构造SparkUI的了。SparkUI是WebUI框架的使用范例，了解了SparkUI的创建过程，读者对Mast...
2018-12-03 09:47:25
1221
原创 Spark2.1.0——WebUI框架体系
阅读建议：阅读本文前最好先阅读《Spark2.1.0——SparkUI的实现》一文。 Spark UI构建在WebUI的框架体系之上，因此应当首先了解WebUI。WebUI定义了一种Web界面展现的框架，并提供返回Json格式数据的Web服务。WebUI用于展示一组标签页，WebUITab定义了标签页的规范。每个标签页中包含着一组页面，WebUIPage定义了页面的规范。我们将...
2018-11-20 09:53:34
1867
2
原创 Spark2.1.0——SparkUI的实现
任何系统都需要提供监控功能，否则在运行期间发生一些异常时，我们将会束手无策。也许有人说，可以增加日志来解决这个问题。日志只能解决你的程序逻辑在运行期的监控，进而发现Bug，以及提供对业务有帮助的调试信息。当你的JVM进程奔溃或者程序响应速度很慢时，这些日志将毫无用处。好在JVM提供了jstat、jstack、jinfo、jmap、jhat等工具帮助我们分析，更有VisualVM的可视化界面以更加直...
2018-11-20 09:53:05
4093
9
原创 Spark2.1.0——SparkContext初始化之Spark环境的创建
阅读指导：在《Spark2.1.0——SparkContext概述》一文中，曾经简单介绍了SparkEnv。本节内容将详细介绍SparkEnv的创建过程。 在Spark中，凡是需要执行任务的地方就需要SparkEnv。在生产环境中，SparkEnv往往运行于不同节点的Executor中。但是由于local模式在本地执行的需要，因此在Driver本地的Executor也需要Spa...
2018-11-16 09:48:37
1347
原创 Spark2.1.0——SparkContext概述
Spark应用程序的提交离不开Spark Driver，后者是驱动应用程序在Spark集群上执行的原动力。了解Spark Driver的初始化，有助于读者理解Spark应用程序与Spark Driver的关系。Spark Driver的初始化始终围绕着SparkContext的初始化。SparkContext可以算得上是Spark应用程序的发动机引擎，轿车要想跑起来，发动机首先要启动。Spar...
2018-11-12 10:07:23
2770
原创 深入浅出Spark2.1.0度量系统——Sink继承体系
阅读提示：阅读本文前，最好请阅读《Spark2.1.0——深入浅出度量系统》和《深入浅出Spark2.1.0度量系统——Source继承体系》。 Source准备好度量数据后，我们就需要考虑如何输出和使用的问题。这里介绍一些常见的度量输出方式：阿里数据部门采用的一种度量使用方式就是输出到日志；在命令行运行过Hadoop任务（例如：mapreduce）的使用者也会发现控制台打印的...
2018-10-09 19:06:59
2343
9
原创 深入浅出Spark2.1.0度量系统——Source继承体系
阅读提示：阅读本文前，最好请阅读《Spark2.1.0——深入浅出度量系统》一文。 任何监控都离不开度量数据的采集，离线的数据采集很容易做到和被采集模块之间的解耦，但是对于实时度量数据，尤其是那些内存中数据的采集就很难解耦。这就类似于网页监控数据的埋点一样，你要在网页中加入一段额外的js代码（例如Google分析，即便你只是引入一个js文件，这很难让前端工程师感到开心）。还有一...
2018-10-09 19:06:45
1514
7
原创 Spark2.1.0——深入浅出度量系统
对于一个系统而言，首先考虑要满足一些业务场景，并实现功能。随着系统功能越来越多，代码量级越来越高，系统的可维护性、可测试性、性能都会成为新的挑战，这时监控功能就变得越来越重要了。在国内，绝大多数IT公司的项目都以业务为导向，以完成功能为目标，这些项目在立项、设计、开发、上线的各个阶段，很少有人会考虑到监控的问题。在国内，开发人员能够认真的在代码段落中打印日志，就已经属于最优秀的程序员了。然而，在国...
2018-10-09 09:50:31
4178
7
原创 Spark2.1.0事件总线分析——LiveListenerBus详解
阅读提示：阅读本文前，最好先阅读《Spark2.1.0之源码分析——事件总线》、《Spark2.1.0事件总线分析——ListenerBus的继承体系》及《Spark2.1.0事件总线分析——SparkListenerBus详解》几篇文章的内容。LiveListenerBus继承了SparkListenerBus，并实现了将事件异步投递给监听器，达到实时刷新UI界面数据的效果。LiveList...
2018-09-27 09:39:49
2688
6
原创 Spark2.1.0事件总线分析——SparkListenerBus详解
阅读提示：阅读本文前，最好先阅读《Spark2.1.0之源码分析——事件总线》和《Spark2.1.0事件总线分析——ListenerBus的继承体系》。 有了《Spark2.1.0之源码分析——事件总线》文中对ListenerBus的定义及《Spark2.1.0事件总线分析——ListenerBus的继承体系》文中对ListenerBus类继承体系的介绍，本小节将详细介绍Sp...
2018-09-18 10:07:03
2255
原创 Spark2.1.0事件总线分析——ListenerBus的继承体系
阅读提示：阅读本文前，最好先阅读《Spark2.1.0之源码分析——事件总线》。 通过阅读《Spark2.1.0之源码分析——事件总线》一文，理解了ListenerBus的定义后，本小节一起来看看有哪些类继承了它。ListenerBus的类继承体系如图1所示。图1 ListenerBus的类继承体系 从图1中可以看到有三种ListenerBus的具体实现，分别为...
2018-09-11 09:43:08
1043
原创 Spark2.1.0之源码分析——事件总线
Spark定义了一个特质[1]ListenerBus，可以接收事件并且将事件提交到对应事件的监听器。为了对ListenerBus有个直观的理解，我们先来看看它的代码实现，见代码清单1。代码清单1 ListenerBus的定义private[spark] trait ListenerBus[L <: AnyRef, E] extends Logging...
2018-09-03 10:14:20
4299
原创 spark2.1.0之源码分析——RPC客户端TransportClient详解
提示：阅读本文前最好先阅读：《Spark2.1.0之内置RPC框架》 《spark2.1.0之源码分析——RPC配置TransportConf》 《spark2.1.0之源码分析——RPC客户端工厂TransportClientFactory》 《spark2.1.0之源码分析——RPC服务器TransportServer》 《spark2.1.0之源码分析——RPC管道初始化》 《...
2018-08-28 10:48:46
2338
原创 spark2.1.0之源码分析——RPC服务端引导程序TransportServerBootstrap
提示：阅读本文前最好先阅读：《Spark2.1.0之内置RPC框架》 《spark2.1.0之源码分析——RPC配置TransportConf》 《spark2.1.0之源码分析——RPC客户端工厂TransportClientFactory》 《spark2.1.0之源码分析——RPC服务器TransportServer》 《spark2.1.0之源码分析——RPC管道初始化》 《...
2018-08-20 10:56:59
2595
4
原创 spark2.1.0之源码分析——服务端RPC处理器RpcHandler详解
提示：阅读本文前最好先阅读：《Spark2.1.0之内置RPC框架》 《spark2.1.0之源码分析——RPC配置TransportConf》 《spark2.1.0之源码分析——RPC客户端工厂TransportClientFactory》 《spark2.1.0之源码分析——RPC服务器TransportServer》 《spark2.1.0之源码分析——RPC管道初始化》...
2018-08-13 10:21:13
3131
2
原创 spark2.1.0之源码分析——RPC传输管道处理器详解
提示：阅读本文前最好先阅读：《Spark2.1.0之内置RPC框架》 《spark2.1.0之源码分析——RPC配置TransportConf》 《spark2.1.0之源码分析——RPC客户端工厂TransportClientFactory》 《spark2.1.0之源码分析——RPC服务器TransportServer》 《spark2.1.0之源码分析——RPC管道初始化》 ...
2018-08-01 10:55:17
1127
原创 spark2.1.0之源码分析——RPC管道初始化
提示：阅读本文前最好先阅读：《Spark2.1.0之内置RPC框架》 《spark2.1.0之源码分析——RPC配置TransportConf》 《spark2.1.0之源码分析——RPC客户端工厂TransportClientFactory》 《spark2.1.0之源码分析——RPC服务器TransportServer》在《spark2.1.0之源码分析——RPC客户端工厂Tran...
2018-07-25 10:32:57
2477
原创 spark2.1.0之源码分析——RPC服务器TransportServer
提示：阅读本文前最好先阅读：《Spark2.1.0之内置RPC框架》 《spark2.1.0之源码分析——RPC配置TransportConf》 《spark2.1.0之源码分析——RPC客户端工厂TransportClientFactory》 TransportServer是RPC框架的服务端，可提供高效的、低级别的流服务。在说明《Spark2.1.0之内置RPC框架》一文...
2018-07-17 10:32:36
1265
原创 spark2.1.0之源码分析——RPC客户端工厂TransportClientFactory
提示：阅读本文前最好先阅读《Spark2.1.0之内置RPC框架》和《spark2.1.0之源码分析——RPC配置TransportConf》。 TransportClientFactory是创建传输客户端（TransportClient）的工厂类。在说明《Spark2.1.0之内置RPC框架》文中的图1中的记号①时提到过TransportContext的createClientFact...
2018-07-10 10:16:52
2204
原创 spark2.1.0之源码分析——RPC配置TransportConf
在《Spark2.1.0之内置RPC框架》提到TransportContext中的TransportConf给Spark的RPC框架提供配置信息，它有两个成员属性——配置提供者conf和配置的模块名称module。这两个属性的定义如下： private final ConfigProvider conf; private final String module;其中conf...
2018-07-02 18:31:02
1373
原创 Spark2.1.0之内置RPC框架
在Spark中很多地方都涉及网络通信，比如Spark各个组件间的消息互通、用户文件与Jar包的上传、节点间的Shuffle过程、Block数据的复制与备份等。在Spark 0.x.x与Spark 1.x.x版本中，组件间的消息通信主要借助于Akka[1]，使用Akka可以轻松的构建强有力的高并发与分布式应用。但是Akka在Spark 2.0.0版本中被移除了，Spark官网文档对此...
2018-06-27 09:27:34
9328
3
原创 spark2.1.0之配置与源码分析
任何优秀的软件或服务都会提供一些配置参数，这些配置参数有些是内置的，有些则是可以由用户配置的。对于熟悉Java的开发人员来说，对JVM进行性能调优是一个经常需要面对的工作，这个过程常常伴随着各种JVM参数的调整与测试。之所以将这些参数交给具体的开发人员去调整，是因为软件或者服务的提供者也无法保证给定的默认参数是最符合用户应用场景与软硬件环境的。一个简单的例子：当用户的QPS发生变化时，...
2018-06-21 14:49:21
1196
2
原创 Spark2.1.0之模型设计与基本架构
Spark编程模型 正如Hadoop在介绍MapReduce编程模型时选择word count的例子，并且使用图形来说明一样，笔者对于Spark编程模型也选择用图形展现。 Spark 应用程序从编写到提交、执行、输出的整个过程如图2-5所示。图2-5 代码执行过程图2-5中描述了Spark编程模型的关键环节的步骤如下：用户使用SparkContext提供的API（常用的有t...
2018-06-12 09:41:32
2248
6
原创 Spark2.1.0之模块设计
在阅读本文之前，读者最好已经阅读了《Spark2.1.0之初识Spark》和《Spark2.1.0之基础知识》两篇文章。本文将主要介绍Spark2.1.0版本中的模块设计以及各个模块的功能和特点。整个Spark主要由以下模块组成：Spark Core：Spark的核心功能实现，包括：基础设施、SparkContext（Application通过SparkContext提交）、Spark执行环境（S...
2018-06-05 10:00:02
1755
2
原创 Spark2.1.0之基础知识
在阅读本文之前，读者最好已经阅读了《Spark2.1.0之初识Spark》一文，本文将对Spark的基础知识进行介绍。但在此之前，读者先跟随本人来一次简单的时光穿梭，最后还将对Java与Scala在语言上进行比较。版本变迁 经过5年多的发展，Spark目前的版本是2.3.0。Spark主要版本的发展过程如下：Spark诞生于UCBerkeley的AMP实验室（2009）。Spar...
2018-05-24 09:49:08
3433
原创 Spark2.1.0之代码结构及载入Ecplise方法
一、项目结构 在大型项目中，往往涉及非常多的功能模块，此时借助于Maven进行项目、子项目（模块）的管理，能够节省很多开发和沟通成本。整个Spark项目就是一个大的Maven项目，包含着多个子项目。无论是Spark父项目还是子项目，本身都可以作为独立的Maven项目来管理。core是Spark最为核心的功能模块，提供了RPC框架、度量系统、Spark UI、存储体系、调度系统、计算引...
2018-05-17 10:01:58
1474
原创 Spark2.1.0之运行环境准备
学习一个工具的最好途径，就是使用它。这就好比《极品飞车》玩得好的同学，未必真的会开车，要学习车的驾驶技能，就必须用手触摸方向盘、用脚感受刹车与油门的力道。在IT领域，在深入了解一个系统的原理、实现细节之前，应当先准备好它的运行环境或者源码阅读环境。如果能在实际环境下安装和运行Spark，显然能够提升读者对于Spark的一些感受，对系统能有个大体的印象，有经验的工程师甚至能够猜出一些S...
2018-05-04 10:15:12
2027
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人