spark 基础开发 Tips总结

本篇博客主要是 sparksql 从初始开发注意的一些基本点以及力所能及的可优化部分的介绍:  

所使用spark版本:2.0.0       scala版本:2.11.8

1. SparkSession的初始化:

 

val sparkSession = SparkSession.builder().master("local[*]").appName("AppName").config("spark.sql.warehouse.dir", "file:///D:/XXXX/XXXX/spark-warehouse").config("spark.sql.shuffle.partitions", 50).getOrCreate()

  

 注意点:

             a.  spark.sql.warehouse.dir 需要显示设置,否则会抛出 Exception in thread "main" java.lang.IllegalArgumentException: java.net.URISyntaxException: Relative path in absolute URI: file:...   错误

             b. spark.sql.shuffle.partitions  指定 Shuffle 时 Partition 个数,也即 Reducer 个数。根据业务数据量测试调整最佳结果

                Partition 个数不宜设置过大:

               Reducer(代指 Spark Shuffle 过程中执行 Shuffle Read 的 Task) 个数过多,每个 Reducer 处理的数据量过小。大量小 Task 造成不必要的 Task 调度开销与可能的资源调度开销(如果开启了 Dynamic Allocation)

            Reducer 个数过大,如果 Reducer 直接写 HDFS 会生成大量小文件,从而造成大量 addBlock RPC,Name node 可能成为瓶颈,并影响其它使用 HDFS 的应用

            过多 Reducer 写小文件,会造成后面读取这些小文件时产生大量 getBlock RPC,对 Name node 产生冲击

               Partition 个数不宜设置过小:

            每个 Reducer 处理的数据量太大,Spill 到磁盘开销增大

            Reducer GC 时间增长

            Reducer 如果写 HDFS,每个 Reducer 写入数据量较大,无法充分发挥并行处理优势

2. 将非结构化数据转换为结构化数据DataFrame(本人用的自定义模式): 

    val rdd= sparkSession.sparkContext.textFile(path, 250)  // 默认split为2

    val schemaString = "time hour lic"   //结构化数据的列名,可理解为关系型数据库的列名

    val fields = schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, nullable = true))   // 字段名  字段类型  是否可为空

    val schema = StructType(fields)      //上两步组装最终 createDataFrame 时需要的 schema

    val rowRDD = citySECRDD.map(_.split(",")).filter(attributes => attributes.length >= 6 && attributes(1).equals("2")&& attributes(0).split(" ").length > 1 && attributes(0).split(" ")(1).split(":").length > 1).map(attributes => {Row(attributes(0).trim,attributes(0).split(" "                   (1).split(":")(0).trim,attributes(2).trim,attributes(3).trim,attributes(4).trim,attributes(5).trim)})         //自定义一些过滤条件  以及组装最终的 row类型的RDD

    val df= sparkSession.createDataFrame(rowRDD, schema)       //将rdd装换成DataFrame

3. 两种缓存使用方式:

    1)df.persist(StorageLevel.MEMORY_ONLY)     //后续如果需要反复使用DF[DataFrame的简称],则就把此DF缓存起来                            
df.unpersist() //释放缓存 常用的两种序列化方式:MEMORY_ONLY->不加工在内存中存储 MEMORY_ONLY_SER->在内存中序列化存储(占用内存空间较小) 2)df.createOrReplaceTempView("table") sparkSession.sql("cache table table") // 以 sql 形式缓存DF
sparkSession.sql("uncache table table") //释放缓存

4.spark整合Hbase快速批量插入

  将计算结果写入Hbase:

      注意:1) 如果是带有shuffle过程的,shuffle计算之前使用select()提出只需要的字段然后再进行计算,因为shuffle特别耗费时间,写磁盘的过程,所以要能少写就少写。

df.foreachPartition(partition => {

      val hconf = HBaseConfiguration.create();

      hconf.set(zkClientPort, zkClientPortValue) //zk 端口

      hconf.set(zkQuorum, zkQuorumValue) //zk 地址
      hconf.set(hbaseMaster, hbaseMasterValue) //hbase master
       val myTable = new HTable(hconf, TableName.valueOf(tableName))
       myTable.setAutoFlush(false, false) //关键点1
      myTable.setWriteBufferSize(5 * 1024 * 1024) //关键点2
      partition.foreach(x => {

      val column1 = x.getAs[String]("column1") //列1
      val column2 = x.getAs[String]("column2") //列2
      val column3 = x.getAs[Double]("column3") //列3
      val date = dateStr.replace("-", "") // 格式化后的日期

    val rowkey = MD5Hash.getMD5AsHex(Bytes.toBytes(column1+ date)) + Bytes.toBytes(hour)
    val put = new Put(Bytes.toBytes(rowkey))
    put.add("c1".getBytes(), "column1".getBytes(), licPlateNum.getBytes()) //第一列族 第一列 
    put.add("c1".getBytes(), "column2".getBytes(), hour.getBytes()) //第一列族 第二列
    put.add("c1".getBytes(), "column3".getBytes(), interval.toString.getBytes()) //第一列族 第三列
    put.add("c1".getBytes(), "date".getBytes(), date.getBytes()) //第一列族 第四列
    myTable.put(put)
     })
     myTable.flushCommits() //关键点3
    /*
    *关键点1_:将自动提交关闭,如果不关闭,每写一条数据都会进行提交,是导入数据较慢的做主要因素。
     关键点2:设置缓存大小,当缓存大于设置值时,hbase会自动提交。此处可自己尝试大小,一般对大数据量,设置为5M即可,本文设置为3M。
     关键点3:每一个分片结束后都进行flushCommits(),如果不执行,当hbase最后缓存小于上面设定值时,不会进行提交,导致数据丢失。
     注:此外如果想提高Spark写数据如Hbase速度,可以增加Spark可用核数量。
    */

5. spark任务提交shell脚本:

spark-submit --jars /XXX/XXX/hbase/latest/lib/hbase-protocol-0.96.1.1-cdh5.0.2.jar \
         --master yarn\
         --num-executors 200 \
         --conf "spark.driver.extraClassPath=/share/apps/hbase/latest/lib/hbase-protocol-0.96.1.1-cdh5.0.2.jar" \
         --conf "spark.executor.extraClassPath=/share/apps/hbase/latest/lib/hbase-protocol-0.96.1.1-cdh5.0.2.jar" \ 
         --conf spark.driver.cores=2 \
         --conf spark.driver.memory=10g \
         --conf spark.driver.maxResultSize=2g \
         --conf spark.executor.cores=6 \
         --conf spark.executor.memory=10g \
         --conf spark.shuffle.blockTransferService=nio \
         --conf spark.memory.fraction=0.8 \
         --conf spark.shuffle.memoryFraction=0.4 \               
         --conf spark.default.parallelism=1000 \
         --conf spark.sql.shuffle.partitions=400 \                     默认200,如果项目中代码设置了此选项,则代码设置级别优先,会覆盖此处设置
         --conf spark.shuffle.consolidateFiles=true \
         --conf spark.shuffle.io.maxRetries=10 \
         --conf spark.scheduler.listenerbus.eventqueue.size=1000000 \
         --class XXXXX\                                                                项目启动主类引用
         --name zzzz \
         /data/XXX/XXX-jar-with-dependencies.jar \                       项目jar包
        "参数1" "参数2" 

  

注: 红色部分是Hbase需要的配置,同时需要在spark集群的spark-defaults.conf 里面配置

        spark.driver.extraClassPath  和  spark.executor.extraClassPath   直指 hbase-protocol-0.96.1.1-cdh5.0.2.jar 路径

先写到这里吧,后续会继续完善通过sparkUi 优化细节以及提交spark任务的时候 如何分配 executor.cores 和 executor.memory。