搜索
1、重定向方式读入scala文件（执行scala脚本）/usr/local/spark-1.2.0-bin-hadoop2.4/bin/spark-shelltest_scala01.scalaSpark运行调试方法与学习资源汇总最近，在学习和使用Spark的过程中，遇到了一些莫名其妙的错误和问题，在逐个解决的过程中，体会到有必要对解决上述问题的方法进行总结，以便能够在短时间内尽快发现问题来源并解决问题，现与各位看官探讨学习如下：解决spark运行调试问题的四把“尖刀”：1、Log包括控制台日志、主从节点日志、HDFS日志等。许多错误可以通过日志，直接对错误类型、错误来源进行准确定位，因此，学会读取和分析Log是解决问题的第一步。2、Google确定错误类型和原因后，就可以使用Google在SparkUserList、GoogleGroup等各类Spark学习社区和论坛进行求助，而大部分问题都是可以找到答案的。3、官网配置文档大部分问题都是配置问题引起的，如何准确配置，需要结合官方说明文档进行配置，而其中的TuningSpark内容，也是每个Spark实践者必须了解和掌握的，推荐精读：TuningSpark(内存调优):（基本配置）:、官网Example各个子项目都有对应的Example和源码，可以从源码的src子文件夹里找到，而在每个子项目的官网说明上也有相应的代码示例，也可以作为参考。这4个方法是解决问题的第一位要素，特别地，要会通过Log反推错误来源，定位故障原因，然后第一时间想到谷歌，把错误关键词粘贴查找寻求解答。而大部分人的问题其实主要都是配置问题，1和2其实就能解决了。3和4主要用来模仿学习，照猫画虎，学以致用，不成功便成仁。交流和互动也很重要，把握国内Spark研究的前沿，就要善于利用和挖掘各类互联网资源，这里，推荐一些博客、微博、QQ学群供大家参考学习：知名博主：徽沪一郎：：张包峰：高彦杰：：微博大牛：hashjoin，Databricks大数据公司创始人之一，UCBerkeleyAMPLab：：：明风Andy，淘宝技术部，数据挖掘与计算团队负责人：:连城：张包峰：王联辉:徽沪一郎：学习资料FastDataProcessingwithSpark，学习资料：快学Scala，，编程，论文：NSDI-2012，[博士论文]MateiZaharia，群：Spark零基础学习@367106111Spark快速理解：更多云计算相关项目快速理解文档==是什么==目标Scope（解决什么问题）在大规模的特定数据集上的迭代运算或重复查询检索官方定义aMapReduce-likeclustercomputingframeworkdesignedforlow-latencyiterativejobsandinteractiveusefromaninterpreter个人理解首先，MapReduce-like是说架构上和多数分布式计算框架类似，Spark有分配任务的主节点（Driver）和执行计算的工作节点（Worker）其次，Low-latency基本上应该是源于Worker进程较长的生命周期，可以在一个Job过程中长驻内存执行Task，减少额外的开销然后对interative重复迭代类查询运算的高效支持，是Spark的出发点了。最后它提供了一个基于Scala的Shell方便交互式的解释执行任务==如何实现==核心思路，架构RDD：Spark的核心概念是RDD(resilientdistributeddataset)，指的是一个只读的，可分区的分布式数据集，这个数据集的全部或部分可以缓存在内存中，在多次计算间重用。Lineage：利用内存加快数据加载在众多的其它的In-Memory类数据库或Cache类系统中也有实现，Spark的主要区别在于它处理分布式运算环境下的数据容错性（节点实效/数据丢失）问题时采用的方案。为了保证RDD中数据的鲁棒性，RDD数据集通过所谓的血统关系(Lineage)记住了它是如何从其它RDD中演变过来的。相比其它系统的细颗粒度的内存数据更新级别的备份或者LOG机制，RDD的Lineage记录的是粗颗粒度的特定数据变换（Transformation）操作（filter,map,joinetc.)行为。当这个RDD的部分分区数据丢失时，它可以通过Lineage获取足够的信息来重新运算和恢复丢失的数据分区。这种粗颗粒的数据模型，限制了Spark的运用场合，但同时相比细颗粒度的数据模型，也带来了性能的提升。总之，Spark的核心思路就是将数据集缓存在内存中加快读取速度，同时用lineage关联的RDD以较小的性能代价保证数据的鲁棒性。适用领域正如其目标scope，Spark适用于需要多次操作特定数据集的应用场合。需要反复操作的次数越多，所需读取的数据量越大，受益越大，数据量小但是计算密集度较大的场合，受益就相对较小。细节使用内存缓存数据集快在哪里？主要是几个方面：首先是磁盘IO，其次数据的序列化和反序列化的开销也节省了，最后相对其它内存数据库系统，粗颗粒度的内存管理机制减小了数据容错的代价（如典型的数据备份复制机制）==相关项目==上下游项目DiscretizedStreams(Sparkstreaming)构建在Spark上处理Stream数据的框架，基本的原理是将Stream数据分成小的时间片断（几秒），以类似batch批量处理的方式来处理这小部分数据。个人理解构建在Spark上的原因大概是因为Spark的低延迟执行引擎（100ms+）勉强可以用于实时处理，而Spark的核心理念数据重用和流式数据处理本身并没有直接的交集，相反个人感觉流式数据的无穷连续性的特性一定程度上和数据重用是冲突的。相比基于Record的其它处理框架（如Storm），RDD数据集更容易做高效的容错处理。此外小批量处理的方式使得它可以同时兼容批量和实时数据处理的逻辑和算法。方便了一些需要历史数据和实时数据联合分析的特定应用场合。Shark(HiveonSpark)Shark基本上就是在Spark的框架基础上提供和Hive一样的HiveQL命令接口，为了最大程度的保持和Hive的兼容性，Shark使用了Hive的API来实现queryParsing和LogicPlangeneration，最后的PhysicalPlanexecution阶段用Spark代替HadoopMapReduce。通过配置Shark参数，Shark可以自动在内存中缓存特定的RDD，实现数据重用，进而加快特定数据集的检索。同时，Shark通过UDF用户自定义函数实现特定的数据分析学习算法，使得SQL数据查询和运算分析能结合在一起，最大化RDD的重复使用。类似项目Twister:数据，实现迭代的MapReduce过程中的数据重用,不过它的模型貌似相对简单些，大致是通过拓展MapReduceAPI，分发管理缓存数据，然后通过自己的Daemon进程管理和分配MapReduceTask到Cache对应的节点上，容错性和计算模型方面没有Shark的RDD来得精巧和通用。Haloop:和Twister类似，修改扩展了MapReduce框架，增加了循环逻辑和DataCaching==相关文献==项目首页项目主页Paper论文~matei/papers/2012/nsdi_spark.pdf==其它==主要实现和编程接口基于ScalaSpark的YARN模式部署可以通过SBT（ScalaBuildTool）或者Maven来编译，官方提供的二进制安装文件是用Maven编译。1：Spark的编译Spark可以通过SBT（ScalaBuildTool）或者Maven来编译，官方提供的二进制安装文件是用Maven编译，如果是要在YARN集群上运行的话，还需要再用SBT编译一下，生成YARNclient端使用的jar包；最好是直接对源码使用SBT进行编译而生成YARNclient端使用的jar包。笔者在测试过程中，对Maven编译过的Spark进行SBT二次编译后，在运行部分例子的时候有错误发生。A：Maven编译笔者使用的环境曾经编译过Hadoop2.2.0（参见hadoop2.2.0源码编译(CentOS6.4)），所以不敢确定Maven编译过程中，Spark是不是需要编译Hadoop2.2.0中使用的部分底层软件（看官方资料是需要Protobuf2.5）。除了网络下载不给力而不断的中止、然后重新编译而花费近1天的时间外，编译过程还是挺顺利的。maven编译时，首先要进行设置Maven使用的内存项配置：exportMAVEN_OPTS=-Xmx2g-XX:MaxPermSize=512M-XX:ReservedCodeCacheSize=512m然后用Maven编译：mvn-Pnew-yarn-Dhadoop.version=2.2.0-Dyarn.version=2.2.0-DskipTestspackage参考文档：BuildingSparkwithMav