[大数据]Spark学习系列一

spark Job的三种提交模式

• 1. standalone模式
     standalone模式
     spark-submit --master spark://bigdata01:7077

• 2 ： yarn client模式

spark-submit --master yarn --deploy-mode client

• 3： yarn cluster模式【推荐】
  spark-submit --master yarn --deploy-mode cluster

Shuffle介绍

在spark中，什么情况下，会产生shuffle

reduceByKey,groupByKey,sortByKey,countByKey,join等等

spark shuffle一共经历了几个过程:
1:未优化的 Hash Based Shuffle
2:优化后的 Hash Bashed Shuffle
3: Sort-Based Shuffle

so:如果有100个map task,100个result task，那么本地磁盘会产生10000个本地，磁盘io过多，影响性能

so:此时文件的数量变成了 cPU core 数量 * result task 数量，比如每个节点上有2个cpu,有100个resulttask,那么每个节点上会产生200个文件

checkpoint

checkpoint功能:

• 针对Spark Job，如果我们担心某些关键的，在后面会反复使用RDD,因为节点故障导致数据丢失，那么可以针对该RDD启动checkpoint机制，实现容错和高可用
  checkpoint 类似于快照机制
• 首先调用SparkContext的setCheckpointDir()方法，设置一个容错的文件系统目录(HDFS),然后对RDD调用checkpoint()方法

checkpoint与持久化的区别

• lineage(血缘关系)是否发生改变
• 丢失数据的可能性
• 建议:对需要checkpoint的RDD,先执行persist(StorageLevel.DISK_ONLY)