スパークテクニック

1.メッセージサイズの最大値の設定

def main(args: Array[String]) {
    System.setProperty("spark.akka.frameSize", "1024")
}

2.yarnとの結合時にキューを設定する

val conf=new SparkConf().setAppName("WriteParquet")
conf.set("spark.yarn.queue","wz111")
val sc=new SparkContext(conf)

3.実行時にyarnを使用してリソースを割り当て、--num-executorsパラメータを設定

nohup /home/SASadm/spark-1.4.1-bin-hadoop2.4/bin/spark-submit
--name mergePartition
--class main.scala.week2.mergePartition
--num-executors 30
--master yarn
mergePartition.jar >server.log 2>&1 &

4.impalaのparquetを読み出し、String列の処理

sqlContext.setConf("spark.sql.parquet.binaryAsString","true")

5.parquetfileの書き込み

case class ParquetFormat(usr_id:BigInt , install_ids:String )
val appRdd=sc.textFile("hdfs://").map(_.split("\t")).map(r=>ParquetFormat(r(0).toLong,r(1)))
sqlContext.createDataFrame(appRdd).repartition(1).write.parquet("hdfs://")

 
6.parquetfileの読み取り

val parquetFile=sqlContext.read.parquet("hdfs://")
parquetFile.registerTempTable("install_running")
val data=sqlContext.sql("select user_id,install_ids from install_running")
data.map(t=>"user_id:"+t(0)+" install_ids:"+t(1)).collect().foreach(println)

7.ファイルを書くとき、すべての結果を1つのファイルにまとめる

repartition(1)

8.rddを繰り返し使用する場合はcacheキャッシュを使用する

cache()

9.spark-shell依存パッケージの追加

 spark-1.4.1-bin-hadoop2.4/bin/spark-shell local[4] --jars code.jar

10.spark-shell yarnモードを使用し、キューを使用

spark-1.4.1-bin-hadoop2.4/bin/spark-shell --master yarn-client --queue wz111