spark 基礎開發 Tips總結
本篇部落格主要是 sparksql 從初始開發注意的一些基本點以及力所能及的可優化部分的介紹：
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()
注意點：
a. spark.sql.warehouse.dir 需要顯示設定，否則會丟擲 Exception in thread "main" java.lang.IllegalArgumentException: java.net.URISyntaxException: Relative path in absolute URI: file:... 錯誤
b. spark.sql.shuffle.partitions 指定 Shuffle 時 Partition 個數，也即 Reducer 個數。根據業務資料量測試調整最佳結果
Partition 個數不宜設定過大：
Reducer（代指 Spark Shuffle 過程中執行 Shuffle Read 的 Task） 個數過多，每個 Reducer 處理的資料量過小。大量小 Task 造成不必要的 Task 排程開銷與可能的資源排程開銷（如果開啟了 Dynamic Allocation）
Reducer 個數過大，如果 Reducer 直接寫 HDFS 會生成大量小檔案，從而造成大量 addBlock RPC，Name node 可能成為瓶頸，並影響其它使用 HDFS 的應用
過多 Reducer 寫小檔案，會造成後面讀取這些小檔案時產生大量 getBlock RPC，對 Name node 產生衝擊
Partition 個數不宜設定過小：
每個 Reducer 處理的資料量太大，Spill 到磁碟開銷增大
Reducer GC 時間增長
Reducer 如果寫 HDFS，每個 Reducer 寫入資料量較大，無法充分發揮並行處理優勢
2. 將非結構化資料轉換為結構化資料DataFrame（本人用的自定義模式）:
val rdd= sparkSession.sparkContext.textFile(path, 250) // 預設split為2
val schemaString = "time hour lic" //結構化資料的列名，可理解為關係型資料庫的列名
val fields = schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, nullable = true)) // 欄位名 欄位型別 是否可為空
val schema = StructType(fields) //上兩步組裝最終 createDataFrame 時需要的 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)}) //自定義一些過濾條件 以及組裝最終的 row型別的RDD
val df= sparkSession.createDataFrame(rowRDD, schema) //將rdd裝換成DataFrame
3. 兩種快取使用方式：
1)df.persist(StorageLevel.MEMORY_ONLY) //後續如果需要反覆使用DF[DataFrame的簡稱]，則就把此DF快取起來
df.unpersist() //釋放快取 常用的兩種序列化方式：MEMORY_ONLY->不加工在記憶體中儲存 MEMORY_ONLY_SER->在記憶體中序列化儲存（佔用記憶體空間較小） 2）df.createOrReplaceTempView("table") sparkSession.sql("cache table table") // 以 sql 形式快取DF
sparkSession.sql("uncache table table") //釋放快取
4.spark整合Hbase快速批量插入
將計算結果寫入Hbase:
注意：1) 如果是帶有shuffle過程的,shuffle計算之前使用select()提出只需要的欄位然後再進行計算，因為shuffle特別耗費時間，寫磁碟的過程，所以要能少寫就少寫。
df.foreachPartition(partition => {
val hconf = HBaseConfiguration.create();
hconf.set(zkClientPort, zkClientPortValue) //zk 埠
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) //關鍵點1
myTable.setWriteBufferSize(5 * 1024 * 1024) //關鍵點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("-", "") // 格式化後的日期
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() //關鍵點3
/*
*關鍵點1_:將自動提交關閉，如果不關閉，每寫一條資料都會進行提交，是匯入資料較慢的做主要因素。
關鍵點2:設定快取大小，當快取大於設定值時，hbase會自動提交。此處可自己嘗試大小，一般對大資料量，設定為5M即可，本文設定為3M。
關鍵點3:每一個分片結束後都進行flushCommits()，如果不執行，當hbase最後快取小於上面設定值時，不會進行提交，導致資料丟失。
注：此外如果想提高Spark寫資料如Hbase速度，可以增加Spark可用核數量。
*/
5. spark任務提交shell指令碼：
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 \ 預設200，如果專案中程式碼設定了此選項，則程式碼設定級別優先，會覆蓋此處設定 --conf spark.shuffle.consolidateFiles=true \ --conf spark.shuffle.io.maxRetries=10 \ --conf spark.scheduler.listenerbus.eventqueue.size=1000000 \ --class XXXXX\ 專案啟動主類引用 --name zzzz \ /data/XXX/XXX-jar-with-dependencies.jar \ 專案jar包 "引數1" "引數2"
注： 紅色部分是Hbase需要的配置，同時需要在spark叢集的spark-defaults.conf 裡面配置
spark.driver.extraClassPath 和 spark.executor.extraClassPath 直指 hbase-protocol-0.96.1.1-cdh5.0.2.jar 路徑
先寫到這裡吧，後續會繼續完善通過sparkUi 優化細節以及提交spark任務的時候 如何分配 executor.cores 和 executor.memory。