Spark使用记录

一 ，错误：

spark报:too many open files 打开文件过多的意思

​ ulimit -a 查看打开的连接限制 ulimit -n 4096 扩大最大允许打开的文件数量设置为4096（临时的，重启后会还原）

修改系统配置文件（重启生效）:vim /etc/security//limits.conf
末尾增加：root soft nofile 4096
        root  gard nofile 4096

二，spark英文解释：

Scheduler delay ： 程序调度延迟

Executor Computing Time: 执行器计算时间

Getting Result Time : 获取结果时间

Task Deserialization Time ： 任务反序列化时间

Shuffle Write Time : 无序写入时间

Shuffle Read Time ： 无序读取时间

Result Serialization Time : 结果序列化时间

/opt/module/hadoop-2.7.2/start-balancer.sh : 数据平衡

Locality Level :

​ 这几个值在图中代表task的计算节点和task的输入数据的节点位置关系

​ PROCESS_LOCAL :数据在同一个JVM中，既在同一个executor上。

​ NODE_LOCAL :数据在同一个节点上。比如数据在同一节点的另一个executor上；或者在HDFS上，恰好有block在同一个节点上，速度比PROCESS_LOCAL稍慢，因为数据需要在不同的进程之间传递或者从文件中读取。

​ NO_LOCAL :数据从哪里访问都一样快，不需要位置优先。

​ RACK_LOCAL :数据在同一机架的不同节点上，需要通过网络传输数据及文件IO，比NODE_LOCAL慢

​ ANY :数据在非同一机架上的网络上，速度最慢

三.Spark UI的端口号：

​ spark的默认端口号是4040，而被占用了就会顺序取+1的端口，当开了多个spark程序后，当端口加到了4045，在chrome浏览器里面就打不开了。会返回一个UNSAFE PORT 的错误信息，其实这是浏览器禁用了你访问的端口，程序实际是正常运行的。

​ 所以建议手工指定spark.ui.port=4046

​ 在spark-defaults.conf的配置文件中，若是4046被占用了，就从4046开始后+1，跳过4045这个端口，避免看不到spark ui界面的困扰。

​ 解决办法：在启动这个任务的时候带上 --conf spark.ui.port=4046

. /etc/profile
nohup /opt/module/spark/bin/spark-submit 
--class com.lg.bigdata.streaming.KafkaAndJsonGJTS 
--queue default 
--master yarn   
--deploy-mode client  
--conf spark.ui.port=4046 
/opt/module/spark/WordJzw5-jar-with-dependencies.jar > /opt/module/spark/log-KafkaAndJsonGJTS 2>&1

http://hadoop102:4047/jobs/

四.缓存：

如何清除缓存

1. 如果编写代码思路比较清晰的话，可以很清楚地记得哪个rdd或者dataSet进行了缓存的操作。可以直接调用 unpersist操作一个简单的例子如下：

//  假设注册了一张teacher表，dataFrame读取了 这张表
val data:DataFrame = spark.sql("SELECT * FROM teacher")
// 程序开始进行缓存cache(默认存储到内存当中)，然后调用action算子触发程序执行
data.cache.show()
// 调用下方代码，可以清除掉刚才得到的缓存
data.unpersist()
123456

　　如果思路不够清晰，或者程序比较长，写着写着就忘记了哪些数据进行缓存过了，这里提供一个清除所有缓存在spark环境里面的数据的操作:如下所示：（写这篇水文的目的）

  val ds: collection.Map[Int, RDD[_]] = spark.sparkContext.getPersistentRDDs
    ds.foreach(x => {
      x._2.unpersist()
    })
1234

执行的原理大致如下:spark.sparkContext的下文中通过调用getPersistentRDDs的方法，可以得到缓存区域里面所有的数据缓存信息。然后返回一个集合，通过循环遍历这个集合，调用unpersist的方法，便可以将这个缓冲区域里面的所有数据清空！

常用命令:

.getNumPartitions/.partitions.size: 查看分区数

.partitioner: 查看RDD的分区器

// 调用下方代码，可以清除掉刚才得到的缓存 data.unpersist()