Spark 大数据处理最佳实践

开源大数据社区 & 阿里云 EMR 系列直播 第十一期

主题：Spark 大数据处理最佳实践

讲师：简锋，阿里云 EMR 数据开发平台 负责人

内容框架：

• 大数据概览
• 如何摆脱技术小白
• Spark SQL 学习框架
• EMR Studio 上的大数据最佳实践

 直播回放：进入链接https://developer.aliyun.com/live/247072

一、大数据概览

• 大数据处理 ETL (Data  → Data)
• 大数据分析 BI   (Data  →  Dashboard)
• 机器学习    AI   (Data  →  Model)

 

二、如何摆脱技术小白

什么是技术小白？

• 只懂表面，不懂本质

比如：只懂得参考别人的 Spark 代码，不懂得 Spark 的内在机制，不懂得如何调优       Spark Job

摆脱技术小白的药方

• 懂得运行机制
• 学会配置
• 学会看 Log

懂得运行机制：Spark SQL Architecture

 

学会配置：如何配置 Spark App

• 配置 Driver

 • spark.driver.memory

 • spark.driver.cores

• 配置 Executor

 • spark.executor.memory

 • spark.executor.cores

• 配置 Runtime

 • spark.files

 • spark.jars

• 配置 DAE
• …..........
  

 

 参考网址：https://spark.apache.org/docs/latest/configuration.html

 

学会看 Log：Spark Log

三、Spark SQL  学习框架

Spark SQL 学习框架( 结合图形/几何）

1. Select Rows

2. Select Columns

3. Transform Column

4. Group By / Aggregation

5. Join

Spark SQL 执行计划

1. Spark SQL - Where

2. Spark SQL - Group By

3. Spark SQL - Order by

四、EMR Studio 实践

EMR Studio 特性：

• 兼容开源组件
• 支持连接多个集群
• 适配多个计算引擎
• 交互式开发 + 作业调度无缝衔接
• 适用多种大数据应用场景
• 计算存储分离

1. 兼容开源组件

• EMR Studio 在开源软件 Apache Zeppelin，Jupyter Notebook, Apache Airflow 的基础上优化了做了优化和增强。

2. 支持连接多个集群

• 一个 EMR Studio 可以连接多个 EMR 计算集群，您可以很方便地切换计算集群，提交作业到不同的计算集群上运行。

3. 适配多个计算引擎

• 自动适配 Hive、Spark、Flink、Presto、Impala 和 Shell 等多个计算引擎，无需复杂配置，多个计算引擎间协同工作

4. 交互式开发 + 作业调度无缝衔接

Notebook + Airflow : 无缝衔接开发环节和生产调度环节

• 利用交互式开发模式可以快速验证作业的正确性.
• 在 Airflow 里调度 Notebook 作业，最大程度得保证开发环境和生产环境的一致性，防止由于开发阶段和生产阶段环境不一致而导致的问题。

 

5. 适用多种大数据应用场景

• 大数据处理 ETL
• 交互式数据分析
• 机器学习
• 实时计算

 

6. 计算存储分离

• 所有数据都保存在 OSS 上，包括：

     • 用户 Notebook 代码

     • 调度作业 Log

• 即使集群销毁，也可以重建集群轻松恢复数据

EMR Studio  Demo 演示：

参考文档：https://help.aliyun.com/document_detail/208107.html?spm=a2c4g.11186623.6.845.6cfc24577t1RbI

原文链接

本文为阿里云原创内容，未经允许不得转载。