首页 > 代码库 > 某人在企业中遇到的Spark问题记录[持续更新]
某人在企业中遇到的Spark问题记录[持续更新]
https://github.com/ssg-7max/ssg
- 目前 ssg内公司内部 spark streaming 处理数据源是kafka
- 目前遇到最大的问题是，会延迟，例如我们配置1分钟让窗口计算一次，很有可能随着数据量大，我们计算时间会超过1分钟，这样就会导致卡死在哪里，streaming一直累计算出不了结果，而且从监控还看不出有问题，只有从结果监控发现结果出不来。 解决方案：增加kafka的partition配置，配合streaming的线程数，可以加快执行速度
- 使用createStream接受消息，升级kafka的API后遇到receiver无声无色地死掉的情况 解决方案：改为KafkaUtils.createDirectStream 要配置kafka的参数：metadata.broker.list val kafkaParams = MapString, Stringauto.offset.reset，这个参数是，切换groupid之后，重头开始获取数据 val registerDS = KafkaUtils.createDirectStreamString, String, StringDecoder, StringDecoder.map(_._2)
- yarn分配executor时，会比较集中在一些机器上，如下面的图，集中到026上面了。
解决方案：目前还没有找问题解决方案，属于yarn的分配策略 - 对于连接池，为了提高效率，方面复用，可以通过广播变量方式 解决方案：广播变量不可以实现，在streaming中，而且executor之间传递这个，是需要序列化的，序列化一个已经连接的东西，是不行的，实际上是每个executor都去连接一下db， 最后结果不大，产生的连接数也不会多， 这样每个RDD都要去建立连接，insert DB。如果rdd过多，每次去连接是很浪费资源的，那缩减RDD的数量，当结果集很小的时候，通过reparation来处理，这样的话，就只有一个RDD在连接db。连接池解决资源复用的问题，根本上还是要控制发起连接的RDD数量，建议参考：http://blog.csdn.net/kntao/article/details/45364761
- kafka的partition数量和什么有关系？ 解决方案：kafka的partition数量跟broker ×每个broker中的partition 有关 ，默认 不配置 每个broker partition是1
- spark streming运行时候报错“DStream checkpointing has been enabled but the DStreams with their functions are not serializable” 代码截图：
解决方案：通过跟群里面人讨论，发现getFilterEachUserData(),第一个参数sqlContext是没有序列化的，去掉第一个参数后，不再包此错误
- spark streaming 不能toDF？ 代码截图：
解决方案：filter 方法中，p不是rdd，要想转成rdd需要使用transform这个方法 修改后代码截图：
- 群中有人说spark streaming中不能同时使用广播变量和checkpoint？ 解决方案：这个问题需要有待核实
- Couldn‘t find leader offsets for Set ([luwc_test,0],[luwc_test,1]) 异常问题截图：
解决方案：要在kafka集群的hosts要配到spark的Driver的hosts里面去，用zk管kafka的话，是可以获取到Partition信息的，但是解析地址会失败，把hosts配成一致就可以了，直接用domain是不行的
- spark 编译源码 增加hive模块 解决方案：export MAVEN_OPTS="-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m" mvn -Pyarn -Phadoop-2.3 -Dhadoop.version=2.3.0-cdh5.1.0 -Phive -Dhive-version=0.12.0-cdh5.1.0 -Phive-thriftserver -Pspark-ganglia-lgpl -DskipTests clean package OR ./make-distribution.sh --name 2.3.0 --tgz -Phadoop-2.3 -Dhadoop.version=2.3.0-cdh5.1.0 -Pyarn -Phive -Dhive-version=0.12.0-cdh5.1.0 -Phive-thriftserver -Pspark-ganglia-lgpl -DskipTests clean package
解决方案：通过跟群里面人讨论，发现getFilterEachUserData(),第一个参数sqlContext是没有序列化的，去掉第一个参数后，不再包此错误
解决方案：filter 方法中，p不是rdd，要想转成rdd需要使用transform这个方法 修改后代码截图： 
解决方案：要在kafka集群的hosts要配到spark的Driver的hosts里面去，用zk管kafka的话，是可以获取到Partition信息的，但是解析地址会失败，把hosts配成一致就可以了，直接用domain是不行的某人在企业中遇到的Spark问题记录[持续更新]
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。