a1786742005的博客

原创 字节跳动春招开始拉，欢迎大家积极投递。

字节跳动校招内推码: 99JUJMF投递链接: https://jobs.toutiao.com/s/eJFqujF

原创 Spark 数据倾斜

一、Spark 数据倾斜介绍1.1 数据倾斜介绍Spark 中的数据倾斜问题主要指 shuffle 过程中出现的数据倾斜问题，是由于不同的 key 对应的数据量不同导致的不同 task 所处理的数据量不同的问题。例如，reduce 点一共要处理 100 万条数据，第一个和第二个 task 分别被分配到了 1 万条数据，计算 5 分钟内完成，第三个 task 分配到了 98 万数据，此时第三个 task 可能需要 10 个小时完成，这使得整个 Spark 作业需要 10 个小时才能运行完成，这就是数据倾

原创 Spark 调优

一、常规性能调优1.1 最优资源配置Spark 性能调优的第一步，就是为任务分配更多的资源，在一定范围内，增加资源的分配与性能的提升是成正比的，实现了最优的资源配置，在此基础上再考虑进行后面论述的性能调优策略。资源的分配在使用脚本提交 Spark 任务时进行指定，标准的 Spark 任务提交脚本如下所示：bin/spark-submit \--class com.atguigu.spark.Analysis \--master yarn--deploy-mode cluster--num-e

原创 Spark 内存管理

一、堆内和堆外内存规划作为一个 JVM 进程，Executor 的内存管理建立 JVM 的内存管理之上，Spark 对 JVM 的堆内(On-heap)空间进行了更为详细的分配，以充分利用内存。同时，Spark 引入了堆外(Off-heap)内存，使之可以直接在工作节点的系统内存中开辟空间，进一步优化了内存的使用。堆内内存受到 JVM 统一管理，堆外内存是直接向操作系统进行内存堆申请和释放。1、堆内内存堆内内存的大小，由 Spark 应用程序启动时的 - executor-memory 或 spar

原创 Spark Shuffle 解析

一、Spark Shuffle 介绍Shuffle 的中文解释为“洗牌操作”，可以理解成将集群中所有节点上的数据进行重新整合分类的过程。其思想来源于Hadoop 的 MapReduce，Shuffle 是连接 map 阶段和 reduce 阶段的桥梁。由于分布式计算中，每个阶段的各个计算节点只处理任务的一部分数据，若下一个阶段需要依赖前面阶段的所有计算结果时，则需要对前面阶段的所有计算结果进行重新整合和分类，这就需要经历 Shuffle 过程。在 Spark 中，RDD 之间的关系包含窄依赖和宽依赖，其

原创 Spark 中任务调度机制

一、Spark 任务调度机制概述在生产环境下，Spark 集群的部署方式一般为 YARN-Cluster 模式，下面内核分析中默认集群的部署方式为 YARN-Cluster 模式。Driver 线程主要是初始化 SparkContext 对象，准备运行所需的上下文，然后一方面保持与 ApplicationMaster 的 RPC 连接，通过 ApplicationMaster 申请资源，另一方面根据用户业务逻辑开始调度任务，将任务下发到已有的空闲 Executor 上。当 ResourceManage

原创 Spark 中通讯架构

一、Spark 通信架构介绍Spark 中通信框架的发展：1、Spark 早期版本中采用 Akka 作为内部通信部件。2、Spark 1.3 中引入 Netty 通信框架，为了解决 Shuffle 的大数据传输问题使用。3、Spark 1.6 中 Akka 和 Netty 可以配置使用，Netty 完全实现了 Akka 在 Spark 中的功能。4、Spark 2 系列中，不再使用 Akka，使用 Netty。二、Spark 通讯架构解析架构图为：1、RpcEndpointRPC 通信终

原创 SparkStreaming 介绍及 wordcount 案例

一、介绍1、Spark Streaming 是什么？Spark Streaming 用于流式数据的处理。Spark Streaming 支持的数据输入源很多，例如：Kafka、Flume、Twitter、ZeroMQ 和简单的 TCP 套接字等等。数据输入后可以用 Spark 进行运算，而结果也能保存在很多地方，如 HDFS，数据库等。2、DStream和 Spark 基于 RDD 的概念很相似，Spark Streaming 使用离散化流(discretized stream)作为抽象表示，叫作

原创 SparkSQL on Hive 环境配置

一、环境配置二、案例

原创 SparkSQL 基础编程

一、介绍Spark Core 中，如果想要执行应用程序，需要首先构建上下文环境对象 SparkContext，Spark SQL 其实可以理解为对Spark Core 的一种封装，不仅仅在模型上进行了封装，上下文环境对象也进行了封装。在老的版本中，SparkSQL 提供两种 SQL 查询起始点：一个叫 SQLContext，用于 Spark 自己提供的 SQL 查询；一个叫HiveContext，用于连接 Hive 的查询。SparkSession 是 Spark 最新的 SQL 查询起始点，实质上是

原创 Spark 中的累加器及广播变量

一、累加器1、原理累加器用来把 Executor 端变量信息聚合到 Driver 端。在 Driver 程序中定义的变量，在 Executor 端的每个 Task 都会得到这个变量的一份新的副本，每个 task 更新这些副本的值后，传回 Driver 端进行 merge。2、系统累加器package spark.core.accumulatorimport org.apache.spark.{SparkConf, SparkContext}/** * 系统自带累加器 */object

原创 Spark 中 RDD 持久化

1、RDD Cache 缓存1、介绍RDD 通过 Cache 或者 Persist 方法将前面的计算结果缓存，默认情况下会把数据以序列化的形式缓存在 JVM 的堆内存中。但是并不是这两个方法被调用时立即缓存，而是触发后面的 action 算子时，该 RDD 将会被缓存在计算节点的内存中，并供后面重用。2、代码package spark.core.lastingimport org.apache.spark.{SparkConf, SparkContext}import org.apache.s

原创 Spark 中 RDD 的依赖关系

一、RDD 血缘关系RDD 只支持粗粒度转换，即在大量记录上执行的单个操作。将创建 RDD 的一系列 Lineage(血统)记录下来，以便恢复丢失的分区。RDD 的 Lineage 会记录 RDD 的元数据信息和转换行为，当该 RDD 的部分分区数据丢失时，它可以根据这些信息来重新运算和恢复丢失的数据分区。通过 rdd.toDebugString 方法可以看到 RDD 的血缘关系：package spark.core.dependentimport org.apache.spark.{SparkC

原创 Spark 中 RDD 序列化

一、闭包检测从计算的角度，算子以外的代码都是在 Driver 端执行，算子里面的代码都是在 Executor 端执行。那么在 scala 的函数式编程中，就会导致算子内经常会用到算子外的数据，这样就形成了闭包的效果，如果使用的算子外的数据无法序列化，就意味着无法传值给 Executor 端执行，就会发生错误，所以需要在执行任务计算前，检测闭包内的对象是否可以进行序列化，这个操作我们称之为闭包检测。二、序列化方法与属性driver 侧的代码中的运算数据需要 extends Serializable，才可

原创 Spark 算子使用案例 -- 统计广告点击量 Top3

1、数据准备数据格式：时间戳，省份，城市，用户，广告，中间字段使用空格分隔。数据的粒度是用户，每一条数据是用户在何时何地点击了广告。1516609143867 6 7 64 161516609143869 9 4 75 181516609143869 1 7 87 121516609143869 2 8 92 91516609143869 6 7 84 241516609143869 1 8 95 51516609143869 8 1 90 291516609143869 3 3 36

原创 Spark 中的算子

一、转换算子1.1 map 算子1、算子签名def map[U: ClassTag](f: T => U): RDD[U]2、算子说明将处理的数据逐条进行映射转换，这里的转换可以是类型的转换，也可以是值的转换。3、代码演示package spark.core.conversion_operator.mapimport org.apache.spark.rdd.RDDimport org.apache.spark.{SparkConf, SparkContext}/** *

原创 scala 中的变量

一、变量1.1 scala 变量使用步骤1、声明/定义变量 (scala 要求变量声明时初始化)2、使用package variable/** * scala 变量输出的三种方式 */object Point2 { def main(args: Array[String]): Unit = { // 1、使用 + var name: String = "tom" var sal: Double = 1.2 println ("hello" + sal +

原创 Spark 中 RDD 的创建

在 Spark 中创建 RDD 的创建方式可以分为四种：1、从集合(内存)中创建 RDDpackage spark.core.rddimport org.apache.spark.{SparkConf, SparkContext}/** * 从集合(内存)中创建 RDD * 1、parallelize * 2、makeRDD * 从底层代码实现来讲，makeRDD 方法其实就是 parallelize 方法。 */object Spark_RDD_Memory { def mai

原创 Spark 中 RDD 介绍

一、RDD 为何会产生？Hadoop 的 MapReduce 是一种基于数据集的工作模式，面向数据，这种工作模式一般是从存储上加载数据集，然后操作数据集，最后写入物理存储设备。数据更多面临的是一次性处理。MR 的这种方式在两个方面的效率很低。第一种是迭代式的算法，比如机器学习中 ALS、凸优化梯度下降等。这些都需要基于数据集或者数据集的衍生数据反复查询反复操作，MR 这种模式不太合适，即使多 MR 串行处理，性能和时间也是一个问题，数据的共享依赖于磁盘，读取磁盘会耗费大量时间。第二种就是 olap 场景

原创 spark 架构与核心概念

1、架构图2、概念介绍基本概念：Application：用户编写的 Spark 应用程序。Driver：Spark 中的 Driver 即运行上述 Application 的 main 函数并创建 SparkContext，创建 SparkContext 的目的是为了准备 Spark 应用程序的运行环境，在 Spark 中有 SparkContext 负责与 ClusterManager 通信，进行资源申请、任务的分配和监控等，当 Executor 部分运行完毕后，Driver 同时负责将 Spa

原创 hive 中 hql 题

问题 1：(1) 需求找出所有科目成绩都大于某一学科平均成绩的学生。(2) 建表drop table if exists score;create table score( uid string, subject_id string, score int) row format delimited fields terminated by '\t';(3) 数据1001 01 901001 02 901001 03 901002 01 851

原创 LeetCode算法 -- LRU缓存机制(第11题)

一、题目描述二、分析题目2.1 LRU 算法介绍计算机的缓存容量有限，如果缓存满了就要删除一些内容，给新内容腾位置。但问题是，删除哪些内容呢？我们肯定希望删掉哪些没什么用的缓存，而把有用的数据继续留在缓存里，方便之后继续使用。那么，什么样的数据，我们判定为有用的的数据呢？LRU 缓存淘汰算法就是一种常用策略。LRU 的全称是 Least Recently Used，也就是说我们认为最近使用过的数据应该是有用的，很久都没用过的数据应该是无用的，内存满了就优先删那些很久没用过的数据。2.2 LRU

原创 二叉树的前中后遍历(递归和非递归)

一、三种遍历的思想前序遍历：根结点 -> 左子树 -> 右子树中序遍历：左子树 -> 根结点 -> 右子树后序遍历：左子树 -> 右子树 -> 根结点以下面这棵二叉树，三种遍历的结果分别为：前序遍历：1 2 4 5 7 8 3 6中序遍历：4 2 7 5 8 1 3 6后序遍历：4 7 8 5 2 6 3 1二、前序遍历2.1 递归依据上文提到的遍历思路：根结点 -> 左子树 -> 右子树。 // 前序遍历(递归) pub

原创 java 多线程面试题

1、https://blog.youkuaiyun.com/lixiaoxiong55/article/details/81586291?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-10.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-10.none

原创 LeetCode算法 -- 买卖股票的最佳时机(第10题)

一、题目描述二、解法package question3;/** * @description: 暴力法求解 * @author: hyr * @time: 2020/5/9 9:08 */public class Solution { public static void main(String[] args) { int prices[] = {7, 1, 5, 3, 6, 4}; System.out.println("最大利润为：" + m

原创 LeetCode算法 -- 合并两个有序数组(第9题)

一、题目介绍二、数组拷贝解法2.1 解法介绍因为数组 1 的总长度是大于等于 m+n 的，所以把数组 2 的元素都拷贝到数组1中。数组 1 中的元素有 m 个，所以数组 2 中的第一个元素拷贝到数组 1 中对应的下标就是m，第二个元素拷贝过来对应的下标是 m+1，一直到 m+n-1 拷贝完后，将数组 1 整体排序一遍就搞定了，这里用了 Arrays.sort()内部为快速排序，时间复杂度为 O((n+m) * log(n+m))，空间复杂度 O(1)。这种方法没有利用两个数组本身已经有序这一点。

原创 LeetCode算法 -- 最大子序和(第8题)

一、题目说明二、暴力法求解2.1 暴力法思路暴力法就是将数组中的所有子数组都找出来，然后对每个子数组内的元素进行求和，选取和最大的子数组，它的和就是最大子序和。2.2 java 代码 /** * 暴力法，枚举数组的所有子串进行求和 */ public int maxSubArray(int nums[]) { int length = ...

原创 电信项目总结

一、项目整体架构二、数据生产模块介绍1、数据字段2、数据产生方法通过编写 java 代码，模拟生产数据。然后将代码打成 jar 包，放在服务器上，运行 jar 包，将数据存储在文件中。三、数据采集模块介绍1、配置 kafka，启动 zookeeper 和 kafka 集群。2、创建 kafka 主题。3、启动 kafka 控制台消费者(此消费者只用于测试使用)。4、配置 fl...

原创 电商数仓项目总结

一、项目整体架构二、数据说明2.1 用户行为数据1、启动日志数据是一个单 json 数据2、事件日志数据组成：时间戳、公共字段、事件日志事件：(1) 商品列表(2) 商品点击(3) 商品详情(4) 广告(5) 消息通知(6) 用户后台活跃(7) 评论(8) 收藏(9) 点赞(10) 错误日志2.2 业务数据1、订单表2、订单详情表3、sku 商品表4、...

原创 电商数仓(ads 层)

一、ads 层介绍对电商系统各大主题指标分别进行分析，本项目中分析了四大主题·：设备主题、会员主题、商品主题、营销主题。二、业务术语1、用户用户以设备为判断标准，在移动统计中，每个独立设备认为是一个独立用户。Android 系统根据 IMEI 号，IOS 系统根据 OpenUDID 来标识一个独立用户，每部手机一个用户。2、新增用户首次联网使用应用的用户。如果一个用户首次打开某 APP...

原创 电商数仓(dwt 层)

一、dwt 层介绍dws 层统计的是每日数据，dws 层数据服务 dwt 层数据，dwt 层统计的是不同主题的累积数据。二、数据表2.1 设备主题宽表 dwt_uv_topic1、数据来源dwt_uv_topic、dws_uv_detail_daycount。2、建表drop table if exists dwt_uv_topic; create external table d...

原创 电商数仓(dws 层)

一、dws 层介绍统计各个主题对象的当天行为，服务于 DWT 层的主题宽表，以及一些业务明细数据，应对特殊需求(例如，购买行为，统计商品复购率)。二、dws 层用户行为数据2.1 每日设备行为 dws_uv_detail_daycount1、介绍每日设备行为，主要按照设备 id 统计。2、数据来源dwd_start_log3、建表drop table if exists dws...

原创 电商数仓(dwd 层)

一、dwd 层介绍1、对用户行为数据解析。2、对核心数据进行判空过滤。3、对业务数据采用维度模型重新建模，即维度退化。二、dwd 层用户行为数据2.1 用户行为启动表 dwd_start_log1、数据来源ods_start_log -> dwd_start_log2、表的创建drop table if exists dwd_start_log; CREATE EXTER...

原创 电商数仓(ods 层)

一、ods 层介绍1、保持数据原貌不做任何修改，起到备份数据的作用。2、数据采用 LZO 压缩，减少磁盘存储空间。100G 数据可以压缩到 10G 以内。3、创建分区表，防止后续的全表扫描，在企业开发中大量使用分区表。4、创建外部表，在企业开发中，除了自己用的临时表，创建内部表外，绝大多数场景都是创建外部表。二、用户行为数据1、启动日志表 ods_start_log// 创建启动日志...

原创 二叉树的广度优先遍历和深度优先遍历

一、二叉树介绍二叉树，顾名思义，就是一种树结构。树的每个结点最多有两个子节点，通常称为左节点和右节点，下图为示例二叉树。二、深度优先遍历深度优先遍历(Depth First Search)，简称 DFS，其原则是，沿着一条路径一直找到最深的那个节点，当没有子节点的时候，返回上一级节点，寻找其另外的子节点，继续向下遍历，没有就向上返回一级，直到所有的节点都被遍历到，每个节点只能访问一次。上...

原创 大数据开发笔试题(二)

1、关于 java 的异常处理机制，以下说法正确的是：AA、当某个线程抛出 OutofMemoryError 时，其他线程可能不受影响B、当大量抛出 RuntimeException，不会影响系统的吞吐量C、java.lang.Exception 是 java.lang.Error 的父类D、finally 块代码一定会被执行解析：1、在程序内存溢出之后，溢出的内存的线程所占的内存会被...

原创 排序算法 -- 快速排序(QuickSort)

一、快排的介绍https://blog.youkuaiyun.com/weixin_40804043/article/details/86516464https://blog.youkuaiyun.com/vayne_xiao/article/details/53508973?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFro...

原创 sql中的行列转换

文章一：https://blog.youkuaiyun.com/weixin_30788239/article/details/97526079?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1&utm_source=distribute.pc_relevant.none-task-blog...

原创 sqoop 面试题

原创 kafka面试题

1、Kafka 架构2、Kafka 压力测试Kafka 官方自带压力测试脚本(kafka-consumer-perf-test.sh、kafka-producer-perf-test.sh)。Kafka 压测时，可以查看到哪个地方出现了瓶颈(CPU，内存，网络 IO)。一般都是网络 IO 达到瓶颈。3、Kafka 机器数量Kafka 机器数量 = 2 * (峰值生产速度 * 副本数/10...