humingminghz
- 浏览: 72300 次
-
文章列表
最近在玩spark streaming， 感觉到了他的强大。 然后看 StreamingContext的源码去理解spark是怎么完成计算的。 大部分的源码比较容易看懂， 但是这个
reduceByKeyAndWindow(_+_, _-_, Duration, Duration)
还是花了不少时间。 主要还是由于对spark不熟悉造成的吧， 还好基本弄明白了。
总的来说SparkStreaming提供这个方法主要是出于效率考虑。 比如说我要每10秒计算一下前15秒的内容，（每个batch 5秒）， 可以想象每十秒计算出来的结果和前一次计算的结果其实中间有5秒的时间值是重复的。
那么就是通过 ...
最近由于项目需要， 搭建了一个类似线上环境的处理流数据的环境
用的是CDH 版本5.9.x
hdfs组成： 2 namenode HA, 6 datanode
kafka： 3 台kafka server
zookeeper： 3台
flume： 1台
spark： 6台 每台32G内存
数据流程是有远端终端向我们数据处理服务器（Gengo）发送， 再由Gengo向kafka还有flume发送同样数据
flume那份数据最后会存储到hdfs上， 万一哪天spark或者kafka挂了， 我们还可以通过离线Job处理hdfs上的数据， 保证数据完整
kafka的数据直接有我们spark s ...
之前看了那么些源码， 大致对整个Yarn的运行过程有了一个了解， 总结一下
首先每个Yarn集群都有一个Resource Manager 以及若干个NodeManager
Resource Manager主要有两个对象， 一个就是Scheduler， 还有一个就是Applications Manager ASM
Scheduler有FIFO和Fair等， 主要作用就是根据Node Manager的资源使用状况来分配container。
当然还有一种Uber模式， 具体就是满足7个条件后就会只用一个container去跑整个Job
Applications Manager主要是管理所有的A ...
中间隔了国庆， 好不容易才看明白了MRAppMaster如何启动其他container以及如何在NodeManager上面运行Task的。
上回写到了AM启动到最后其实是运行的MRAppMaster的main方法， 那么我们就从这里开始看他是如何启动其他container的， 首先看一下main方法：
public static void main(String[] args) {
try {
Thread.setDefaultUncaughtExceptionHandler(new YarnUncaughtExceptionHandler());
...
继续上一篇文章， 那时候AM Allocation已经生成， 就等着NM 的心跳来找到有资源的NM， 再去启动， 那么假设一个NM 心跳， 然后走的就是RMNodeImpl的状态机的RMNodeEventType.STATUS_UPDATE事件， 看一下事件定义：
private static final StateMachineFactory<RMNodeImpl,
NodeState,
RMNodeEve ...
参考了一篇文章， 才看懂了Yarnrunner的整个流程：
http://blog.csdn.net/caodaoxi/article/details/12970993
网上很多文章写的不是很清楚， 有些到AM的启动的时候就错了， 结合最近俩星期看的Yarnrunner部分的源码 我把我的理解写下来， 打算分三部分
上： SubmitJob到schduler为ApplicationMaster申请Container
中：AM到NodeManager启动container 至在NM端执行APPMaster的脚本
下：启动container去执行Job的过程
可能中间也会有一些理解的错误， 导致 ...
http://blog.csdn.net/caodaoxi/article/details/12970993
http://www.cnblogs.com/shenh062326/p/3586510.html
这两篇文章不错， 这两天在看Yarnrunner的整个流程， 回头看完了后写几篇文章出来记录一下
前面一片文章写了MR怎么写， 然后添加的主要功能怎么用， 像partitioner， combiner等， 这周看了一下MR执行的时候Job提交以及Task运行的过程， 记录一下整个源码执行步骤， 量太大就不写详细了， 只是一步一步跟踪下去， 具体是在做什么就稍微解释一下， 跟多还是要靠自己看上下文理解了， 首先Job是通过job.waitForCompletion(true) 来提交的， 里面是通过submit()来提交的：
public boolean waitForCompletion(boolean verbose
...
Mapreduce在执行的时候首先会解析成KV键值对传送到Map方法里面， 在Mapper类的run里面有这么一段代码：
while (context.nextKeyValue()) {
map(context.getCurrentKey(), context.getCurrentValue(), context);
}
就是只要还有KV键值对， 就不停的调用Map方法。
在Map端处理完成后我们通过Context.write输出， 然后到reducer端相同的Key的value组成到迭代器里面通过reduce代码处理。
这是默认最简单的方式， ...
之前花了点时间玩spark， 现在开始学一下hadoop
前面花了几天时间搭建Hadoop环境和开发环境， 具体就不多说了， 今天开始了第一个Map/Reduce程序， 经典的wordcount。
使用的Hadoop版本是2.6.3， 所以我会用最新的API， 大部分都是在org.apache.hadoop.mapreduce这个包下面的。 （mapred是老的api）
我的sample文件是：
hdfs://<IP>:<Port>/words.txt
内容：
1
2
1
a
b
a
v
c
c
c
c
输出路径为:
hdfs://<IP>:< ...
之前看了Job怎么submit 以及最后run的， 然后也看了blockmanager是怎么工作的， 那么接下来就是要看spark是如何从blockManager中读写数据的。
首先每个计算都是在对应机器的executor的task上面运行的， 那么计算完后也是从executor端开始 ...
前一段时间看了如何划分stage以及如何提交Job， 最后把结果返回到Driver端的过程， 中间也涉及到了通过blockManager来获取Data等过程。 这两天花了点时间看了一下blockmanager是如何工作的， 在这里记录一下。
看了一下源代码， 这里有几个主要的对象：
1.BlockManager
2.BlockManagerMaster
3.BlockManagerMasterEndpoint
4.BlockManagerSlaveEndpoint
5.SparkEnv
BlockManagerMaster是在Driver端， 用来管理整个集群的BlockManager的， ...
前文： http://humingminghz.iteye.com/blog/2314269
前面先看到了从action入口到如何切分stage， 随后submit stage的过程， 那么既然stage被submit了， 接下来就应该是cluster manager去分配各个任务到prefer location的executor上面去执行了.
submitstage的方法， 最终会把当前stage相关的所有祖先stage都提交（isActive=false），并把当前stage放到waiting的stage里面， 等所有前部stage执行完后， 再执行当前stage。 每个stage都有 ...
之前看了Spark Streaming和Spark SQL, 自己还花了一些时间去玩了些machine learning的算法， 像 线性回归， kmeans， 协同过滤等。
现在回过头来， 打算看一下spark core部分代码， 就先找了下saveAsTextFile这个方法作为入口， 看一下是怎么保存文档到hadoop中，并且怎么切分stage以及提交Task。 中间也会触碰到DAGScheduler， 也能明白为什么大家都说DAGScheduler是作业调度的核心了
看一下saveAsTextFile代码：
def saveAsTextFile(path: String): U ...
在上一篇文章前， 我一直没看懂为什么下面的代码就能得到max或者avg或者min的值：
malePPL.agg(Map("height" -> "max", "sex" -> "count")).show
数据是
身高 性别
这样的一个组合大概有几百万个值
刚开始是使用reducebykey去做计算， 后来发现网上有agg里面直接进行排序获取值的做法， 特地看了一下为什么传进去一个Map(column -> Expression)就能得到想要的结果
首先还是直接进到agg的方法里面： ...