spark技巧

1. 设置消息尺寸最大值

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

2.与yarn结合时设置队列

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

3.运行时使用yarn分配资源，并设置--num-executors参数

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.读取impala的parquet，对String串的处理

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

5.parquetfile的写

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的读

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.写文件时，将全部结果聚集到一个文件

repartition(1)

8.若是重复使用的rdd，使用cache缓存

cache()

9.spark-shell 添加依赖包

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

10.spark-shell使用yarn模式，并使用队列

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