XIV目录 5.1.5 数据块(B0ck)… 5.2 RDD持久化 5.2.1 RDD分区和数据块的关系 117 5.2.2 内存缓存 …118 52.3 磁盘缓存… 119 5.2.4持久化选项… 120 5.2.5 如何选择不同的持久化选项 122 5.3 Shuf们e数据持久化… 122 5.4广播(Broadcast)变量持久化 125 5.5 小结… 126 第6章 Spark监控管理 …127 6.1 UI管理 127 6.1.1实时UI管理 128 6.1.2历史UI管理 132 6.2 Metrics管理 133 6.2.1 Metrics系统架构 133 6.2.2 Metrics系统配置. 135 6.2.3 输入源(Metrics Source)介绍 136 6.2.4 输出方式(Metrics Sink)介绍 138 6.3 小结 139 第7章 Shark架构与安装配置. .141 7.1 Shark架构浅析 +44444454* 142 7.2 Hive/Shark各功能组件对比. 143 7.2.1 MetaStore......... 143 7.2.2 CLI/Beeline 143 7.2.3 JDBC/ODBC4… 144 7.2.4 Hive Server/2 Shark Server/2. 144 7.2.5 Driver .....… 145 7.2.6 SQL Parser.… 4606060006.604444444 146 7.2.7 查询优化器(Query Optimizer) 147 Spark大数据处理技术
XV 7.2.8物理计划与执行… 147 7.3 Shark安装配置与使用 148 73.1安装前准备工作 149 7.3.2在不同运行模式下安装Shark 149 7.4 Shark SQL命令行工具(CLI) 152 7.5使用Shark Shell命令 155 7.6启动Shark Server… 155 7.7 Shark Server.2配置与启动 156 7.8缓存数据表… …157 7.8.1数据缓存级别 158 7.8.2创建不同缓存级别的Shark数据表 158 7.8.3指定数据表缓存策略 .…159 7.8.4使用Tachy0n… 160 7.9常见问题分析 160 7.9.1 OutOfMemory异常 160 7.9.2 数据处理吞吐量低 …161 7.9.3 Shark查询比Hive慢 161 7.10小结… 162 第8章SQL程序扩展… 163 8.1 程序扩展并行运行模式 164 8.2 Evaluator ObjectInspector. 164 8.3自定义函数扩展… 168 8.3.1自定义函数扩展分类… 168 83.2CLI中的用户自定义函数扩展相关命令 170 8.3.3用户自定义函数(UDF) .171 8.3.4通用用户自定义函数(Generic UDF) .175 8.3.5用户自定义聚合函数(UDAF) 178 8.3.6通用用户自定义聚合函数(Generic UDAF) .182 8.3.7通用用户自定义表函数(Generic UDTF) 186 8.4自定义数据存取格式… 190 8.4.1 SerDe 4.190 Spark大数据处理技术
XVI 目录 8.4.2 StorageHandler 197 8.5小结… 198 第9章 Spark SQL… 199 9.1 Spark SQL逻辑架构 199 9.l.1 Catalyst功能边界 200 9.1.2SQL解析阶段 201 9.1.3 逻辑计划元数据绑定和语义分析阶段 202 9.1.4逻辑计划优化阶段 202 9.1.5物理计划生成阶段 202 9.l.6 Shark和Spark SQL对比 203 9.2 Catalyst上下文(Context) 204 9.2.lS0 LContext...… 204 9.2.2 HiveContext...… 205 9.3 SQL DSL API… 206 9.3.1 数据源管理 206 9.3.2 SchemaRDD 208 9.3.3 Row API 210 9.3.4 数据类型 211 9.3.5 DSL API举例 .213 93.6 表达式计算… .214 9.3.7 Parquet列式存储文件 218 9.3.8代码演示 218 9.4 Java API 221 9.5 Python API 224 9.6 Spark SQL CLI. 225 9.7 Thrift服务 225 9.8 小结 225 第10章 Spark Streaming流数据处理框架 227 10.1 快速入门… 227 10.2 Spark Streaming基本概念 229 Spark大数据处理技术
XVII 10.2.1 链接和初始化 229 10.2.2 时间和窗口概念 231 10.2.3 DStream原理 232 10.2.4 DStream输入源 234 10.2.5 DStream操作 235 10.2.6 DStream持久化 237 10.3性能调优 238 10.3.1运行时间优化.… 238 10.3.2内存使用优化… 238 10.4容错处理 239 10.4.1工作节点失效 239 10.4.2驱动节点失效… 240 10.5 DStream作业的产生和调度 242 10.5.1 作业产生 242 10.5.2 作业调度 243 10.5.3 Streaming作业与Spark作业之间的关系 244 10.6 DStream与RDD关系 246 10.7 数据接收原理… 248 10.8自定义数据输入源 251 10.9 自定义监控接口(StreamingListener) 253 10.I0 Spark Streaming案例分析 254 10.11小结… 256 第11章 GraphX计算框架… 259 11.1图并行计算.… 259 11.1.1数据并行与图并行计算 259 11.1.2图并行计算框架简介 260 1l.1.3 GraphX简介… 264 11.2 GraphX模型设计. 264 11.2.1 数据模型.… 264 11.2.2图计算接口… 265 113 GraphX模型实现 269 Spark大数据处理技术
XVⅢ>目录 11.3.1图的分布式存储 269 11.3.2图操作执行策略 278 11.3.3 图操作执行优化 280 11.3.4序列化和反序列化 283 11.3.5 GraphX内置算法库 284 1l.4 GraphX应用. 285 11.4.1 Pregel模型 285 11.4.2N维邻接关系计算 288 11.5小结… 291 第12章 Tachyon存储系统 293 12.1设计原理… 294 12.1.1高效的内存读写… 294 12.1.2无副本的可靠性实现—Lineage. 297 12.2框架设计. 299 12.2.1主节点 300 12.2.2工作节点 304 12.2.3客户端… 306 12.2.4读写工作流程 307 12.3 Tachyon的部署 ,313 12.3.1单机部署.… ,313 12.3.2 分布式部署… …316 12.3.3 Tachyon的配置 44+ 317 12.4 Tachyon应用 321 12.4.1 Shark原始表(RawTable) 321 I2.4.2 Spark的堆外RDD… ,325 12.4.3 Tachyon用户接口(API) 327 12.5相关项目讨论 335 12.6小结… 336 Spark大数据处理技术