由于blog各种垃圾评论太多，而且本人审核评论周期较长，所以懒得管理评论了，就把评论功能关闭，有问题可以直接qq骚扰我

分类：大数据

Flink 中的时间语义和水位线

Flink中的时间语义如上图所示，在事件发生之后，生成的数据被收集起来，首先进入消息队列，然后被Flink系统中的Source算子读取消费，进而向下游的转换算子传递，最终由窗口进行计算处理。很明显这里面有两个时间点 Event Time：是事件创建的时间，叫...

1个月前 (12-20) 86℃ 0喜欢

前言数据倾斜是大数据计算中一个最棘手的问题，出现数据倾斜后，Spark 作业的性能会比期望值差很多，两大直接后果：Spark 任务 OOM 异常退出和数据倾斜拖慢整个任务的执行。数据倾斜的调优，就是利用各种技术方案解决不同类型的数据倾斜问题，保证 Spark 作业的性能。导致...

3个月前 (10-31) 116℃ 4喜欢

前言输出这篇文章，至少参考了五个不同的spark优化文档，删除了不少调整不调整感觉对性能变化没啥用的内容，查漏补缺总结了如下十二条spark性能调优内容，感觉总结的也是相当全了。调优一：资源配置 Spark性能调优的第一步，就是为任务分配更多的资源，在一定范围内，增加资源的分...

3个月前 (10-29) 142℃ 0喜欢

Spark Shuffle的演进过程 Spark最初版本HashShuffle。 Spark 0.8.1版本以后优化后的HashShuffle。 Spark1.1版本加入SortShuffle，默认是HashShuffle。 Spark1.2版本默认是SortShuffle，但是...

3个月前 (10-29) 129℃ 0喜欢

介绍 Spark是基于内存的分布式计算引擎，其内置强大的内存管理机制，保证数据优先内存处理，并支持数据磁盘存储。在执行Spark 的应用程序时，Spark 集群会启动 Driver 和 Executor 两种 JVM 进程，前者为主控进程，负责创建 Spark 上下文，提交 S...

3个月前 (10-29) 116℃ 0喜欢

介绍一般情况下，当一个传递给Spark操作(例如map和reduce)的函数在远程节点上面运行时，Spark操作实际上操作的是这个函数所用变量的一个独立副本。这些变量被复制到每台机器上，并且这些变量在远程机器上的所有更新都不会传递回驱动程序。通常跨任务的读写变量是低效的，但是...

3个月前 (10-29) 142℃ 0喜欢

依赖关系血缘关系介绍多个连续的RDD的依赖关系，称之为血缘关系，通过RDD的血缘关系，就可以构建出DAG 有向无环图。 RDD为了提高容错性，需要将RDD间的关系保存下来，一旦出现错误，可以根据血缘关系将数据源重新读取进行计算。查看血缘关系任意转换算子使用 toDebug...

3个月前 (10-27) 170℃ 1喜欢

介绍持久化的作用，供RDD的重复使用，针对计算耗时比较长，可以提高计算的效率，针对数据比较重要的数据保存到持久化中，数据的安全性也可以得到保障。持久化操作是在行动算子执行时完成的。注意：RDD中不存储数据，如果一个RDD需要重复使用，那么需要从头再次执行来获取数据，RD...

3个月前 (10-27) 165℃ 0喜欢

前言默认情况下，Spark可以将一个作业切分多个任务后，发送给Executor节点并行计算，而能够并行计算的任务数量我们称之为并行度。这个数量可以在构建RDD时指定。注意：这里的并行执行的任务数量，并不是指的切分任务的数量。 Spark分区的目的是为了并行计算，因为一个分区就是...

3个月前 (10-27) 222℃ 0喜欢

前言 Spark的部署方式虽然有多种模式，如：本地local、Standalone、Apache Mesos、Hadoop YARN等，但是大家90%以上的场景用的都是spark on yarn的模式。 Spark on yarn运行分两种模式：1.Yarn-Cluster模式；...

3个月前 (10-27) 153℃ 1喜欢