我计划旋转我的开发集群来为基础设施监控应用程序进行趋势分析，我计划使用Spark来分析故障趋势，并使用Cassandra来存储传入数据和分析数据。考虑从大约25000台机器/服务器(可能是不同服务器上的一组相同应用程序)收集性能矩阵。我期望每台机器的性能矩阵大小为2MB/秒，我计划将其插入具有时间戳、服务器作为主键和应用程序以及一些重要矩阵作为集群键的Cassandra表中。我将在此存储的信息之上运行Spark作业，以进行性能矩阵故障趋势分析。关于这个问题，考虑到上述情况，我需要多少个节点(机器)以及CPU和内存方面的什么配置来启动我的集群。 最佳答案
我有一份在spark上运行的工作，它是使用sparkRDD在scalaim中编写的。由于昂贵的分组操作我得到这个错误:容器因超出内存限制而被YARN终止。使用了22.4GB的22GB物理内存。考虑提升spark.yarn.executor.memoryOverhead。我增加了头顶的内存，但我得到了同样的结果。我使用10台r4.xlarge机器。我尝试使用r4.2xlarge甚至r4.4xlarge，但也出现同样的错误。我正在测试的数据是5GB压缩数据(将近50个解压缩数据和近600万条记录)。一些配置:spark.executor.memory:20480Mspark.driver.
我有一个像这样的xml结构1232314973233asd123book1124book2456book4789我知道我可以像这样解析books:valxml=sqlContext.read.format("com.databricks.spark.xml").option("rowTag","book").load("FILENAME")但我想在每一行中添加标题信息，如supplier。有没有一种方法可以将这个“headerinfo”添加到带有spark的所有行，而无需加载文件两次并将信息存储在全局变量/值中？提前致谢! 最佳答案
我对ApacheAirflow的架构感到困惑。如果我知道，当您在oozie中执行hql或sqoop语句时，oozie会将请求定向到数据节点。我想在ApacheAirflow中实现同样的目标。我想执行shell脚本、hql或sqoop命令，并且我想确保我的命令正在由数据节点分布式执行。Airflow有不同的执行器类型。我应该怎么做才能同时在不同的数据节点上运行命令？ 最佳答案 您似乎想在分布式工作人员上执行您的任务。在这种情况下，请考虑使用CeleryExecutor。CeleryExecutorisoneofthewaysyouca
我有一个疑问，关于Nutch获得链接以更新CrawldB的方式。有问题的命令是bin/nutchupdatedbcrawl/crawldb$s1我需要编写一个自定义解析器，在此之前，我已经检查了Nutch的源代码，就我而言，我负责通过从文档中提取并将其放入ASOutlink来提供更新CRAWLDB的链接来更新CRAWLDB[]在Parsedata中。至少这就是我从中了解的这个.如果我错了，请纠正我，因为我不希望我的爬行者在第一次迭代后停下来，因为它不会有更新crawldb的链接。看答案纽约都使用parse-html或者parse-tika为了解析您的爬行URL（通常是HTML）在此阶段，提取和
我有几行空格分隔的输入数据:NameCompanyStart_DateEnd_DateNareshHDFC2017-01-012017-03-31AnoopICICI2017-05-012017-07-30我需要输出为:NareshHDFC201701NareshHDFC201702NareshHDFC201703AnoopICICI201705AnoopICICI201706AnoopICICI201707我已经为这些数据制作了一个文本文件，并将其放在我的Hadoop集群上，我已经编写了代码，但在获取输出时遇到了一些问题。请帮忙。我不知道如何从条目中提取月份并将它们放入范围函数中，所
我正在使用Java-Spark。我正在尝试写入外部HDFS目录，如下所示:df.write().mode(mode).save("hdfs://myservername:8020/user/path/to/hdfs");并得到一个异常(exception)hostdetails:localhostis:...destinationhostis:...如何从Spark写入“外部”hdfs目录而不写入本地Hadoop/HDFS？谢谢 最佳答案 检查HDFSNamenode主机名是否可以从Spark集群访问，您也可以使用ip地址。hdfs
REGISTER/home/hadoop/pigg/trunk/contrib/piggybank/java/piggybank.jar;--UsethePigStoragefunctiontoloadtheexcitelogfileintotherawbagasanarrayofrecords.--Input:(user,time,query)A=LOAD'hadoop-test-data.csv'USINGPigStorage(',')AS(user:chararray,site:chararray,view:int,click:int);B=FOREACHAGENERATEorg
一、JDK的安装 Spark是一个用于大数据处理的开源框架，它是用Scala编写的，而Scala是一种运行在Java虚拟机（JVM）上的编程语言，因此它依赖于Java的运行环境。所以首先需要安装JDK（JavaTMPlatformStandardEditionDevelopmentKit），并将环境变量配置好。可参考我的另一篇博客：http://t.csdnimg.cn/6Kj8w二、Spark的安装1.下载Spark 从Spark官网进行下载：ApacheSpark™-UnifiedEngineforlarge-scaledataanalytics，点击Downloa
我正在尝试使用Apachespark加载一个文件，并将该文件分发到我集群中的多个节点，然后聚合结果并获取它们。我不太明白该怎么做。根据我的理解，reduce操作使Spark能够组合来自不同节点的结果并将它们聚合在一起。我的理解正确吗？从编程的角度来看，我不明白我将如何编写这个reduce函数。我究竟如何将主数据集分成N个部分，并使用转换列表要求它们并行处理？reduce应该接受两个元素和一个将它们组合起来的函数。这两个元素应该是Spark上下文中的RDD，还是可以是任何类型的元素？另外，如果你有N个不同的分区并行运行，如何减少将它们的所有结果聚合为一个最终结果(因为reduce函数只聚
