2014年11月30日
摘要：
概要本篇主要阐述在TaskRunner中执行的task其业务逻辑是如何被调用到的，另外试图讲清楚运行着的task其输入的数据从哪获取，处理的结果返回到哪里，如何返回。准备spark已经安装完毕spark运行在local mode或local-cluster modelocal-cluster mod... 阅读全文
posted @ 2014-11-30 11:31
船长
阅读(200)
评论(0)
推荐(0)
摘要：
概要Hadoop2中的Yarn是一个分布式计算资源的管理平台，由于其有极好的模型抽象，非常有可能成为分布式计算资源管理的事实标准。其主要职责将是分布式计算集群的管理，集群中计算资源的管理与分配。Yarn为应用程序开发提供了比较好的实现标准，Spark支持Yarn部署，本文将就Spark如何实现在Ya... 阅读全文
posted @ 2014-11-30 11:30
船长
阅读(253)
评论(0)
推荐(0)
摘要：
Spark Streaming能够对流数据进行近乎实时的速度进行数据处理。采用了不同于一般的流式数据处理模型，该模型使得Spark Streaming有非常高的处理速度，与storm相比拥有更高的吞能力。本篇简要分析Spark Streaming的处理模型，Spark Streaming系统的初始化... 阅读全文
posted @ 2014-11-30 11:30
船长
阅读(226)
评论(0)
推荐(0)
摘要：
Spark计算速度远胜于Hadoop的原因之一就在于中间结果是缓存在内存而不是直接写入到disk，本文尝试分析Spark中存储子系统的构成，并以数据写入和数据读取为例，讲述清楚存储子系统中各部件的交互关系。存储子系统概览上图是Spark存储子系统中几个主要模块的关系示意图，现简要说明如下CacheM... 阅读全文
posted @ 2014-11-30 11:30
船长
阅读(161)
评论(0)
推荐(0)
摘要：
在流数据的处理过程中，为了保证处理结果的可信度(不能多算，也不能漏算)，需要做到对所有的输入数据有且仅有一次处理。在Spark Streaming的处理机制中，不能多算，比较容易理解。那么它又是如何作到即使数据处理结点被重启，在重启之后这些数据也会被再次处理呢？环境搭建为了有一个感性的认识，先运行一... 阅读全文
posted @ 2014-11-30 11:30
船长
阅读(224)
评论(0)
推荐(0)
摘要：
概要本来源码编译没有什么可说的，对于java项目来说，只要会点maven或ant的简单命令，依葫芦画瓢，一下子就ok了。但到了Spark上面， 事情似乎不这么简单，按照spark officical document上的来做，总会出现这样或那样的编译错误，让人懊恼不已。今天闲来无事，又重试了一把，居... 阅读全文
posted @ 2014-11-30 11:29
船长
阅读(140)
评论(0)
推荐(0)
摘要：
在Spark源码走读系列之2中曾经提到Spark能以Standalone的方式来运行cluster，但没有对Application的提交与具体运行流程做详细的分析，本文就这些问题做一个比较详细的分析，并且对在standalone模式下如何实现HA进行讲解。没有HA的Standalone运行模式先从比... 阅读全文
posted @ 2014-11-30 11:29
船长
阅读(262)
评论(0)
推荐(0)
摘要：
概要在即将发布的spark 1.0中有一个新增的功能，即对sql的支持，也就是说可以用sql来对数据进行查询，这对于DBA来说无疑是一大福音，因为以前的知识继续生效，而无须去学什么scala或其它script.一般来说任意一个sql子系统都需要有parser,optimizer,execution三... 阅读全文
posted @ 2014-11-30 11:28
船长
阅读(192)
评论(0)
推荐(0)
摘要：
概要本文以wordCount为例，详细说明spark创建和运行job的过程，重点是在进程及线程的创建。实验环境搭建在进行后续操作前，确保下列条件已满足。下载spark binary 0.9.1安装scala安装sbt安装java启动spark-shell单机模式运行，即local模式local模式运... 阅读全文
posted @ 2014-11-30 11:27
船长
阅读(161)
评论(0)
推荐(0)
摘要：
Hive是基于Hadoop的开源数据仓库工具，提供了类似于SQL的HiveQL语言，使得上层的数据分析人员不用知道太多MapReduce的知识就能对存储于Hdfs中的海量数据进行分析。由于这一特性而收到广泛的欢迎。Hive的整体框架中有一个重要的模块是执行模块，这一部分是用Hadoop中MapRed... 阅读全文
posted @ 2014-11-30 11:27
船长
阅读(159)
评论(0)
推荐(0)
摘要：
概要图的并行化处理一直是一个非常热门的话题，这里头的重点有两个，一是如何将图的算法并行化，二是找到一个合适的并行化处理框架。Spark作为一个非常优秀的并行处理框架，将一些并行化的算法移到其上面就成了一个很自然的事情。Graphx是一些图的常用算法在Spark上的并行化实现，同时提供了丰富的API接... 阅读全文
posted @ 2014-11-30 11:27
船长
阅读(202)
评论(0)
推荐(0)
摘要：
概要“spark已经比较头痛了，还要将其运行在yarn上，yarn是什么，我一点概念都没有哎，再怎么办啊。不要跟我讲什么原理了，能不能直接告诉 我怎么将spark在yarn上面跑起来，I'm a dummy, just told me how to do it.”如果你和我一样是一个对形而上的东西不... 阅读全文
posted @ 2014-11-30 11:27
船长
阅读(296)
评论(0)
推荐(0)
摘要：
主成分分析（Principal components analysis）-最大方差解释原文链接：http://chuna2.787528.xyz/jerrylead/archive/2011/04/18/2020209.html 在这一篇之前的内容是《Factor Analysis》，由于非常理论，打算... 阅读全文
posted @ 2014-11-30 11:26
船长
阅读(183)
评论(0)
推荐(0)
摘要：
1 引言2 实例和数学背景3 旋转数据4 数据降维5 还原近似数据6 选择主成分个数7 对图像数据应用PCA算法8 参考文献9 中英文对照10 中文译者引言 主成分分析（PCA）是一种能够极大提升无监督特征学习速度的数据降维算法。更重要的是，理解PCA算法，对实现白化算法有很大的帮助，很多算法都先用... 阅读全文
posted @ 2014-11-30 11:26
船长
阅读(241)
评论(0)
推荐(0)
摘要：
概要之所以对spark shell的内部实现产生兴趣全部缘于好奇代码的编译加载过程，scala是需要编译才能执行的语言，但提供的scala repl可以实现代码的实时交互式执行，这是为什么呢？既然scala已经提供了repl，为什么spark还要自己单独搞一套spark repl，这其中的缘由到底何... 阅读全文
posted @ 2014-11-30 11:26
船长
阅读(1090)
评论(0)
推荐(0)
摘要：
概要本文就standalone部署方式下的容错性问题做比较细致的分析，主要回答standalone部署方式下的包含哪些主要节点，当某一类节点出现问题时，系统是如何处理的。Standalone部署的节点组成介绍Spark的资料中对于RDD这个概念涉及的比较多，但对于RDD如何运行起来，如何对应到进程和... 阅读全文
posted @ 2014-11-30 11:26
船长
阅读(152)
评论(0)
推荐(0)
摘要：
概要在新近发布的spark 1.0中新加了sql的模块，更为引人注意的是对hive中的hiveql也提供了良好的支持，作为一个源码分析控，了解一下spark是如何完成对hql的支持是一件非常有趣的事情。Hive简介Hive的由来以下部分摘自Hadoop definite guide中的Hive一章“... 阅读全文
posted @ 2014-11-30 11:26
船长
阅读(278)
评论(0)
推荐(0)
摘要：
主成分分析（Principal components analysis）-最小平方误差解释3.2 最小平方误差理论 假设有这样的二维样本点（红色点），回顾我们前面探讨的是求一条直线，使得样本点投影到直线上的点的方差最大。本质是求直线，那么度量直线求的好不好，不 仅仅只有方差最大化的方法。再回想我们... 阅读全文
posted @ 2014-11-30 11:25
船长
阅读(214)
评论(0)
推荐(0)
摘要：
PrincipalComponentAnalysis（PCA）matlab的Feature Transformation提供了一个有关主成分分析的介绍和例子。PCA的介绍 多元统计分析中普遍存在的困难中，有一个困难是多元数据的可视化。matlab的plot可以显示两个变量之间的关系，plot3和su... 阅读全文
posted @ 2014-11-30 11:25
船长
阅读(1687)
评论(0)
推荐(0)
浙公网安备 33010602011771号