国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于Spark-SQL大數(shù)據(jù)處理平臺(tái)的后臺(tái)刷新方法

      文檔序號(hào):9787500閱讀:1252來(lái)源:國(guó)知局
      一種基于Spark-SQL大數(shù)據(jù)處理平臺(tái)的后臺(tái)刷新方法
      【技術(shù)領(lǐng)域】
      [0001]本發(fā)明涉及一種大數(shù)據(jù)處理平臺(tái)的后臺(tái)刷新方法,尤其涉及一種基于Spark-SQL大數(shù)據(jù)處理平臺(tái)的后臺(tái)刷新方法。
      【背景技術(shù)】
      [0002]隨著互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的發(fā)展,我們迎來(lái)了一個(gè)大數(shù)據(jù)的時(shí)代,對(duì)這些大數(shù)據(jù)的處理和分析已經(jīng)成為一個(gè)非常重要且緊迫的需求。
      [0003]隨著技術(shù)的發(fā)展,大數(shù)據(jù)處理平臺(tái)經(jīng)歷了最初的Hadoop和Hbase,以及后來(lái)發(fā)展起來(lái)的基于SQL的Hive、Shark等?;趉ey-value的Hbase等處理平臺(tái)也逐漸興起。而如今SQL-on-Hadoop概念的興起又促使Spark生態(tài)發(fā)展壯大,逐漸成為最熱門(mén),使用最多,效率最好的一種大數(shù)據(jù)處理平臺(tái)。
      [0004]不管采取哪種大數(shù)據(jù)處理平臺(tái),它們的目的都是處理和分析大數(shù)據(jù),從中分析和挖掘出有用的數(shù)據(jù)供人們使用O從最基本的原理來(lái)看,無(wú)論是基于Map-Reduce的Hadoop,還是基于Key-Value鍵值對(duì)的Hbase,或者是基于RDD的Spark,它們的總體處理流程都是相同的,都是包含了數(shù)據(jù)導(dǎo)入_>數(shù)據(jù)分析和處理_>數(shù)據(jù)結(jié)果展示三個(gè)主要步驟,其中最重要的兩個(gè)部分為數(shù)據(jù)導(dǎo)入和數(shù)據(jù)分析處理過(guò)程,數(shù)據(jù)導(dǎo)入的速度決定了整個(gè)系統(tǒng)能夠?qū)崟r(shí)處理數(shù)據(jù)速度,影響到整個(gè)系統(tǒng)的處理性能,數(shù)據(jù)導(dǎo)入和分析的過(guò)程則是數(shù)據(jù)處理的核心。
      [0005]如圖1所示,Spark大數(shù)據(jù)處理平臺(tái)總體框架是:Spark大數(shù)據(jù)處理平臺(tái)的數(shù)據(jù)導(dǎo)入功能由Spark-SQL實(shí)現(xiàn),即由Hive on Spark來(lái)實(shí)現(xiàn)的,Hive查詢可以作為Spark的任務(wù)提交至IjSpark集群上進(jìn)行計(jì)算。Hi ve相較于Impala和Shark等對(duì)SQL語(yǔ)法有著更全面的支持和更為廣泛的用戶基礎(chǔ)。數(shù)據(jù)導(dǎo)入通常涉及導(dǎo)入內(nèi)容、存儲(chǔ)格式、導(dǎo)入速度等關(guān)鍵點(diǎn):
      [0006]1、導(dǎo)入內(nèi)容
      [0007]通常導(dǎo)入內(nèi)容可以為格式化或非格式化的文本文件,以特定的分隔符或文件格式分隔每一條記錄及每一個(gè)字段,數(shù)據(jù)內(nèi)容可以是文件形式傳送,也可以是數(shù)據(jù)流形式傳送,且大小具有不確定性。
      [0008]2、存儲(chǔ)格式
      [0009]存儲(chǔ)數(shù)據(jù)的格式可以是文本格式,也可以是壓縮格式,以減少磁盤(pán)使用量,目前Spark-SQL支持的壓縮格式有zip、snappy及parquet等等。
      [0010]在大數(shù)據(jù)的背景下,導(dǎo)入數(shù)據(jù)可以根據(jù)內(nèi)容進(jìn)行分區(qū),將數(shù)據(jù)按分區(qū)進(jìn)行存儲(chǔ),可加快查詢速度。
      [0011]3、導(dǎo)入速度
      [0012]在大數(shù)據(jù)的背景下,由于數(shù)據(jù)在源源不斷地產(chǎn)生,這就對(duì)數(shù)據(jù)導(dǎo)入速度提出了較高的要求,根據(jù)實(shí)際情況要求導(dǎo)入速度不得低于X條每秒或者xMB每秒,同時(shí)還要求保證不得出現(xiàn)數(shù)據(jù)丟失、數(shù)據(jù)導(dǎo)入錯(cuò)誤、數(shù)據(jù)積壓等情況。
      [0013]現(xiàn)有技術(shù)中,基于Spark-SQL數(shù)據(jù)導(dǎo)入與數(shù)據(jù)刷新方案(外部數(shù)據(jù)文件為文本格式)如下:
      [0014]當(dāng)發(fā)起查詢時(shí),可以在條件子句中加入信息,從而限定查詢的數(shù)據(jù)范圍。在Spark大數(shù)據(jù)處理平臺(tái)中,不同的存儲(chǔ)格式有著不同的刷新機(jī)制,主要為如下兩種:
      [0015]i)若數(shù)據(jù)最終按文本(TEXTFILE)或優(yōu)化列存儲(chǔ)(ORC)ZIP或SNAPPY進(jìn)行存儲(chǔ),每次查詢大數(shù)據(jù)表時(shí),會(huì)先掃描分布式文件系統(tǒng)HDFS上的目錄結(jié)構(gòu)和更新元數(shù)據(jù)庫(kù),能識(shí)別出HDFS上該表空間的所有更新,包括插入、修改和刪除操作。在目錄結(jié)構(gòu)多、數(shù)據(jù)文件多的情況下,每掃描一次HDF S的時(shí)間都很長(zhǎng),且隨著時(shí)間的推移而增加。掃描HDF S的時(shí)間包含在了查詢時(shí)間中,掃描完HDFS以后Spark才會(huì)根據(jù)掃描結(jié)果劃分任務(wù),提交給執(zhí)行器去執(zhí)行,因此掃描時(shí)間的長(zhǎng)短直接影響了查詢時(shí)間的長(zhǎng)短。
      [0016]ii)若數(shù)據(jù)最終按PARQUET格式進(jìn)行壓縮存儲(chǔ),首次查詢數(shù)據(jù)表時(shí),會(huì)先掃描分布式文件系統(tǒng)HDFS上的目錄結(jié)構(gòu)和更新元數(shù)據(jù)庫(kù),因此在大數(shù)據(jù)的背景下,首次查詢的時(shí)間會(huì)很長(zhǎng);而非首次查詢不再去掃描HDFS的目錄結(jié)構(gòu),直接利用首次查詢的掃描結(jié)果,旨在縮短最終的查詢時(shí)間。這種機(jī)制的優(yōu)點(diǎn)在于非首次查詢的速度較快,但也存在著不容忽視的弊端,那就是在首次查詢的掃描以后,任何對(duì)HDFS上該表空間的直接修改都不能識(shí)別,任何插入和刪除操作(HDFS原則上不支持修改操作)都只能通過(guò)Spark-SQL來(lái)完成,在Spark執(zhí)行器資源有限的情況下,讀和寫(xiě)均占用了一定的系統(tǒng)資源,間接導(dǎo)致了數(shù)據(jù)導(dǎo)入速度和查詢速度的下降。另外,當(dāng)HDFS上該表空間的某個(gè)數(shù)據(jù)文件丟失時(shí),會(huì)導(dǎo)致Spark上對(duì)該表的所有查詢失敗,出現(xiàn)該文件不存在的錯(cuò)誤,只能重啟Spark-SQL進(jìn)程,重新進(jìn)行首次查詢并掃描HDFS0
      [0017]綜上所述,現(xiàn)有技術(shù)中存在的問(wèn)題有:
      [0018]USpark-SQL首次查詢會(huì)根據(jù)查詢的表掃描其在HDFS分布式文件系統(tǒng)中整個(gè)表空間,并保存該表空間快照,在大數(shù)據(jù)的背景下,首次查詢需要非常長(zhǎng)的時(shí)間,不能滿足時(shí)間要求。在掃描以后對(duì)該表的任何修改,Spark-SQL都不能識(shí)別。
      [0019]2、現(xiàn)有技術(shù)基于hive或者Spark-SQL的數(shù)據(jù)導(dǎo)入程序,采用Scala語(yǔ)言編寫(xiě),運(yùn)行在JVM虛擬機(jī)上,存在效率低、速度慢、容易內(nèi)存溢出等問(wèn)題。Scala是一種純粹的面向?qū)ο缶幊陶Z(yǔ)言,它用Scalac編譯器把源文件編譯成Java的class文件(即在JVM上運(yùn)行的字節(jié)碼),所以是解釋型語(yǔ)言,查詢及導(dǎo)入效率較低。
      [°02°] 3、在Spark大數(shù)據(jù)處理平臺(tái)的Standalone模式下,控制節(jié)點(diǎn)存在資源上的浪費(fèi)?,F(xiàn)有技術(shù)中,Spark大數(shù)據(jù)處理平臺(tái)一般部署為一個(gè)集群,集群由若干臺(tái)機(jī)器組成。在集群運(yùn)行過(guò)程中,通常外部數(shù)據(jù)的導(dǎo)入和對(duì)數(shù)據(jù)的實(shí)時(shí)查詢同步進(jìn)行,因此,集群中機(jī)器的資源將同時(shí)分配給數(shù)據(jù)導(dǎo)入程序和數(shù)據(jù)查詢程序,在1沖突、CPU時(shí)間爭(zhēng)搶以及內(nèi)存的申請(qǐng)方面,兩者必將有或多或少的沖突,嚴(yán)重時(shí)兩者性能將大打折扣。

      【發(fā)明內(nèi)容】

      [0021]本發(fā)明要解決的技術(shù)問(wèn)題是在大數(shù)據(jù)的背景下,避開(kāi)首次查詢掃描分布式文件系統(tǒng)HDFS的步驟,大幅縮短Spark-SQL大數(shù)據(jù)處理平臺(tái)的首次查詢時(shí)間。
      [0022]為了解決上述技術(shù)問(wèn)題,本發(fā)明基于Spark-SQL大數(shù)據(jù)處理平臺(tái)的后臺(tái)刷新方法是在Spark-SQL的入口函數(shù)中創(chuàng)建刷新進(jìn)程并設(shè)定定時(shí)刷新機(jī)制,定時(shí)掃描分布式文件系統(tǒng)HDFS的指定表空間文件目錄結(jié)構(gòu)。
      [0023]在Spark安裝目錄的conf文件夾下的hive-site.xml中增加配置項(xiàng),可以自定義配置后臺(tái)刷新進(jìn)程是否開(kāi)啟,刷新間隔大小與要刷新的大數(shù)據(jù)表空間集合。
      [0024]若開(kāi)啟后臺(tái)刷新進(jìn)程,則在刷新進(jìn)程首次刷新完成之前,內(nèi)存中尚沒(méi)有指定表空間的目錄結(jié)構(gòu)信息,這時(shí)Spark-SQL若收到查詢語(yǔ)句,則采用原始的首次刷新策略,查詢之前先掃描分布式文件系統(tǒng)HDFS指定表空間的文件目錄結(jié)構(gòu);若刷新進(jìn)程首次刷新完成,則將HDFS上指定表空間的目錄結(jié)構(gòu)信息保存在內(nèi)存中,當(dāng)Spark-SQL接收到查詢語(yǔ)句時(shí)則不再掃描HDFS,直接使用內(nèi)存中該表空間的目錄結(jié)構(gòu)信息,達(dá)到縮短查詢時(shí)間的效果。
      [0025]所述刷新間隔是刷新一次所用時(shí)間的十分之一至二分之一,或者,所述刷新間隔是5秒至10秒,可以根據(jù)產(chǎn)品或者用戶需求自定義所述刷新間隔大小。
      [0026]將外部數(shù)據(jù)文件進(jìn)行壓縮存儲(chǔ),所述壓縮格式為ZIP、BZ2、SNAPPY或PARQUET。
      [0027]采用Scala編程,修改Spark源碼中關(guān)于Spark-SQL執(zhí)行查詢語(yǔ)句的策略。
      [0028]在刷新以前,先依次進(jìn)行創(chuàng)建臨時(shí)表、創(chuàng)建帶分區(qū)信息的大數(shù)據(jù)表、將文
      當(dāng)前第1頁(yè)1 2 3 
      網(wǎng)友詢問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1