X-Pack Spark使用[FAQ]

2021-08-16 03:58:09

概述

本文主要列出在使用X-Pack Spark的FAQ。

同步Dataworks数据到X-pack Spark hdfs

请参考：如何同步Dataworks数据到X-pack Spark hdfs。

Spark服务使用问题

1. X-Pack Spark如何监控核心指标
答：x-pack spark如何监控核心指标、X-Pack Spark 监控指标详解

2. 通过数据工作台上传资源文件慢
答：这个主要取决于用户的上行带宽，如果上行带宽无法调整，可以使用vpc内网通过hdfs上传、httpfs上传

3. X-Pack Spark yarn任务数超过9999查看方法
答：https://developer.aliyun.com/ask/139396

4. X-Pack Spark 集群如何访问外网数据接口
答：Spark集群默认不能访问外网，可以通过NAT网关的方式访问。具体开通方式请参考：NAT网关。

Spark Connectors

主要列举Spark 对接其它数据源遇到的问题

Spark on HBase

1. Spark on HBase Connector：如何在Spark侧设置HBase参数
答：https://yq.aliyun.com/articles/710584/

Spark on Phoenix

1. Spark on Phoenix 4.x Connector：如何在Spark侧设置Phoenix参数
答：https://yq.aliyun.com/articles/710257/

Spark SQL

主要列出Spark SQL相关的。

1. spark 2.4.3以上版本thriftserver对于data类型的字段作为分区，查询不到数据？
答：在查询的时候需要对“2019-06-23”这样的字符串条件过滤使用date做转换

2. spark SQL 保存结果时如何设置并行度
答：如果使用 Spark 默认的并行度可能会导致 Spark SQL 运行的结果文件产生大量的小文件。一种简单的方法是在保存结果的过程中手动设置并行度。在 Spark 2.4 之前是不支持在 SQL 中设置并行度的，如果你使用 Spark 2.4，可以在 SQL 中使用 Repartition Hint，比如

spark.sql("create table test as select /*+ REPARTITION(4) */ age,count(*) from person where age between 10 and 20 group by age")

spark.sql("insert overwrite test as select /*+ REPARTITION(4) */ age,count(*) from person where age between 10 and 20 group by age")

注意：这种方法设置并行度并不是对如何场景都合适的，最好的办法是提前计算好结果文件的大小，然后每个文件保存多大，再算出一个并行度。

3. Spark 查询 MySQL、Phoenix等数据库时过滤条件如何下推？
比如我们使用 Spark 的 JDBC 查询 MySQL 的数据有如下的过滤条件

scala> mysql.filter("times1 >= '2019-06-20 00:00:00' and times1 < '2019-06-20 01:00:10'").explain 
== Physical Plan == 
*(1) Filter ((cast(TIMES1#129 as string) >= 2019-06-20 00:00:00) && (cast(TIMES1#129 as string) < 2019-06-20 01:00:10)) 
+- *(1) Scan JDBCRelation(test) [numPartitions=1][ID#126L,IP#127,count#128L,TIMES1#129,TOTAL#130L,TIMES2#131,TIMES3#132,TIME4#133] PushedFilters: [*IsNotNull(TIMES1)], ReadSchema: struct<ID:bigint,IP:string,count:bigint,TIMES1:timestamp,TOTAL:bigint,TIMES2:date,TIMES3:string,T...

从上面的例子可以看出，过滤条件其实是没有下推的，这样的话查询性能非常差，我们可以如下修改：

scala> mysql.filter("times1 >= to_timestamp('2019-06-20 00:00:00') and times1 < to_timestamp('2019-06-20 01:00:10')").explain 
== Physical Plan == 
*(1) Scan JDBCRelation(test) [numPartitions=1][ID#126L,IP#127,count#128L,TIMES1#129,TOTAL#130L,TIMES2#131,TIMES3#132,TIME4#133] PushedFilters: [*IsNotNull(TIMES1), *GreaterThanOrEqual(TIMES,2019-06-20 00:00:00.0), *LessThan(TIMES,2019-06-20 ..., ReadSchema: struct<ID:bigint,IP:string,count:bigint,TIMES1:timestamp,TOTAL:bigint,TIMES2:date,TIMES3:string,T...

SparkStreming

1. SparkStreming使用Checkpoint创建StreamingContext修改executor-cores、executor-memory等资源信息不生效。
答：使用StreamingContext.getOrCreate(checkpointDirectory, functionToCreateContext _)创建StreamingContext会从Checkpoint路径中读取Spark的配置信息，不会从控制台读取。所以如果要更改Spark配置信息需要清除Checkpoint路径中的内容或者更改Checkpoint路径。详细原因请参考：详细原因。

2. SparkStreaming使用kafka 0.10.0.0客户端版本对接kafka会出现批次处理时间抖动、不稳定情况。
答：比如正常每个批次3秒可以处理完毕，运行一段时间后会出现10秒才能处理完毕，然后可能会出现大量的10秒处理批次，导致批次堆积无法处理。需要使用kafka 0.10.2.2版本可解决问题。点击kafka-clients-0.10.2.2.jar下载。

Spark作业运行

** 1. pyspark通过--jars添加了依赖的mysql-jdbc的包，但是还是出现 ”: java.lang.ClassNotFoundException: com.mysql.jdbc.Driver“
答：pyspark的作业对于spark-submit提交脚本，需要--jars等参数在xxx.py之前，而不是之后

** 2. spark对接mysql等，--jars添加了mysql-connector-xx.jar，但是还是出现” No suitable driver“
答：需要在代码中添加使用的driver的类 .option("driver", "com.mysql.jdbc.Driver") \

码农公寓

概述