Spark union

Posted 2021-03-15 mr--zhao

 

1. 比如两个rdd 两个分区合并去他们的并集 intersection 去数据的交集 subtract去差集
2. mappartition与map像是遍历的单位是每个pation分区的数据进来的是iterrter是迭代器
3. distinct去重(map+reducebykey+map)
4. cogroup 作用在keyv格式上的算子
5. 宽依赖产生shuffer 也就是说和磁盘还打交道
6. stage是由一组并行的task组成碰到宽依赖会划分一个stage
7. mapreduce每一度都落地磁盘 spark是shuffer调优做好基于内存还是挺快的]
8. shuffer write的时候 两个并行的task处理的管道数据才落地
9. stage的并行度由finalrdd的partion决定的
10. 1 提高stage的并行度
11. 方法 reducebykey(numpartion分区)就能决定
12. 方法2 jion(numpartion)也可以决定
13. 如何改变rdd的分区数量
14. reducebykey groupbykey
15. stage的切割规则是从后往前 遇到宽依赖算子就切割
16. 碰到action算子有个job 将job切成stage 划分stage 形成一个新的dag 通过taskset 发送到taskscheduler 发送taske 到worker端去工作
17. 资源调度和任务调度

 

 

 

1. coalesec算子是可以指定分区产生不产生shuffe repartition就是coalsec的一个封装 repartition多用于争夺分区 cosecse多用于减少分区1 使用 cosec如果由少的分区
2. 到多的分区的话 还不让他产生shuffer是不起作用的

 

 

 

1. 默认不设置exctoer的话默认启动一个每个worker上
2. Client模式默认是启动两个core 核是用1G内存