源码网站推荐,济南手机建站哪家好,微信店铺,网络营销的特点包含在画像标签的加工和写入hbase中#xff0c;我们采用了spark来快速进行处理和写入。但是在实际线上运行的过程中#xff0c;仍然遇到了不少问题#xff0c;下面来总结下遇到的一些问题
1.数据倾斜问题
其实spark 数据倾斜思路和hive、mapreduce 数据倾斜思路处理类似…在画像标签的加工和写入hbase中我们采用了spark来快速进行处理和写入。但是在实际线上运行的过程中仍然遇到了不少问题下面来总结下遇到的一些问题
1.数据倾斜问题
其实spark 数据倾斜思路和hive、mapreduce 数据倾斜思路处理类似先看运行的任务找到spark监控active job - stage - task, 最终我们就能找到运行的task可以看一些运行时长远超其他的task同时处理的数据量也远超其他task这种情况就是有数据倾斜了。 然后我们就可以对我们自己的数据进行分析 可以很明显的看到前两条数据要比后面的其他数据量级要大因此可以看出来存在数据倾斜。
数据倾斜的思路也是比较简单
(1)可以在id前加随机前缀先统计一次然后去掉前缀再统计这样就能解决数据倾斜问题了。
(2)或者有一些认为这种数据是脏数据可以直接过滤丢弃掉也可以需要根据业务场景进行判断。 2.任务处理很慢
一般这种情况需要我们去看我们运行慢的任务如果不存在数据倾斜问题那就需要去分析运行的jstack 堆栈信息。多观察刷新几次 观察堆栈信息看看是不是一直在执行某个方法说明一直在这里执行 之前遇到代码死循环(这个明显是代码写错了)一直卡在某个方法里出不来也是通过查看堆栈信息发现的。
再有的优化手段textfile 格式 优化成 parquet 格式parquet格式⽀持⾃动split当单个文件过大时spark读进来之后可以支持自动split但是texfile是不支持的。 3.spark oom 问题 (1)driver 端 oomspark collect 把大数据拉到了driver 端
(2)excutor 端 oom: mapPartitions 提供给了我们更加强大的数据控制力怎么理解呢我们可以一次拿到一个分区的数据那么我们就可以对一个分区的数据进行统一处理会加大内存的开销可能会导致 oom 问题也是需要注意的 当然大家也可以继续看看前面写的用户画像系列文章
