第五课Spark SQL与DataFrame

第五课Spark SQL与DataFrame的相关问题都在下面进行提问回帖
1、大家在这个帖子上回复自己想要提的问题。（相同的问题，请点赞表示自己关注这个问题，不用重复提问）
2、提出的问题，老师在直播课的最后30分钟统一回答。
3、课后会整理出参考答案，给每个问题回帖。
欢迎吐槽《第五课Spark SQL与DataFrame》！！！
请大家点击下面链接进入问卷调查: 
http://wj.qq.com/s/858398/c1e3
或扫描二维码
你们的回复令我们做得更好~

1477401929034.png

 
2016-10-25 添加评论
分享

狂龙

赞同来自: icichacici 、mark_meng

董老师，task个数从151修改为36后，怎么还是151呢？  
2016-10-25 2 2
分享

icichacici - 80后

赞同来自: 狂龙 、mark_meng

下面是两个rdd的join的结果，我现在想用中间的值进行倒排，我不知道怎么写？ (3184020,1,15922811704) (672890,112,13661908821) (3119990,1,15011377235) (2363360,2,17875041762) (1339720,1,15008444733) (1212710,5,15868861350) (1891540,4,13818116064) (1704010,2,18621113477) (1856640,1,18158576294) (3269000,1,15955206929)
2016-10-25 2 1
分享

Dong - Hulu

赞同来自: ljc520313 、zixu4728

请教一个问题，我们采用了horton works的平台，在设置executor cores，无论设置为几，都只用一个核，不知董老师是否遇到？    
2016-10-25 2 1
分享

@CrazyChao - 人生不止眼前的苟且，还有诗和远方的田野！^.^

赞同来自: crazyant 、mark_meng

建议老师后面出一个数据可视化的课程，学习一套东西整个分析流程自己就可以搭起来了！
2016-10-25 2 0
分享

tianling

赞同来自: cathy_xu

请问董老师，是否有一些课堂上练习项目的代码，我们可以参考。能否提供一下代码的git下载的地址，谢谢  
2016-10-25 1 1
分享

lcg_1023 - 如：80后IT男..

赞同来自: mark_meng

在 yarn-client模式下运行，exector-memory为2G driver-memory为1G， 出现如下异常：   
YARN executor launch context:
  env:
    CLASSPATH -> {{PWD}}<CPS>{{PWD}}/__spark__.jar<CPS>$HADOOP_CONF_DIR<CPS>$HADOOP_COMMON_HOME/share/hadoop/common/*<CPS>$HADOOP_COMMON_HOME/share/hadoop/common/lib/*<CPS>$HADOOP_HDFS_HOME/share/hadoop/hdfs/*<CPS>$HADOOP_HDFS_HOME/share/hadoop/hdfs/lib/*<CPS>$HADOOP_YARN_HOME/share/hadoop/yarn/*<CPS>$HADOOP_YARN_HOME/share/hadoop/yarn/lib/*<CPS>$HADOOP_MAPRED_HOME/share/hadoop/mapreduce/*<CPS>$HADOOP_MAPRED_HOME/share/hadoop/mapreduce/lib/*
    SPARK_LOG_URL_STDERR -> http://node-003:8042/node/cont ... -4096
    SPARK_YARN_STAGING_DIR -> .sparkStaging/application_1477380530193_0001
    SPARK_YARN_CACHE_FILES_FILE_SIZES -> 181330185
    SPARK_USER -> root
    SPARK_YARN_CACHE_FILES_VISIBILITIES -> PUBLIC
    SPARK_YARN_MODE -> true
    SPARK_YARN_CACHE_FILES_TIME_STAMPS -> 1476958415955
    SPARK_LOG_URL_STDOUT -> http://node-003:8042/node/cont ... -4096
    SPARK_YARN_CACHE_FILES -> hdfs://node-001:8020/system/spark/jar/spark-assembly-1.6.2-hadoop2.6.0.jar#__spark__.jar

  command:
    {{JAVA_HOME}}/bin/java -server -XX:OnOutOfMemoryError='kill %p' -Xms2048m -Xmx2048m -Djava.io.tmpdir={{PWD}}/tmp '-Dspark.driver.port=35328' -Dspark.yarn.app.container.log.dir=<LOG_DIR> org.apache.spark.executor.CoarseGrainedExecutorBackend --driver-url spark://CoarseGrainedScheduler@192.168.10.201:35328 --executor-id 1 --hostname node-003 --cores 1 --app-id application_1477380530193_0001 --user-class-path file:$PWD/__app__.jar 1> <LOG_DIR>/stdout 2> <LOG_DIR>/stderr
===============================================================================
      
16/10/25 15:38:28 INFO impl.ContainerManagementProtocolProxy: Opening proxy : node-003:59597
16/10/25 15:38:28 INFO impl.ContainerManagementProtocolProxy: Opening proxy : node-002:38747
16/10/25 15:48:44 INFO yarn.YarnAllocator: Completed container container_1477380530193_0001_01_000003 on host: node-002 (state: COMPLETE, exit status: 50)
16/10/25 15:48:44 WARN yarn.YarnAllocator: Container marked as failed: container_1477380530193_0001_01_000003 on host: node-002. Exit status: 50. Diagnostics: Exception from container-launch.
Container id: container_1477380530193_0001_01_000003
Exit code: 50
Stack trace: ExitCodeException exitCode=50: 
	at org.apache.hadoop.util.Shell.runCommand(Shell.java:601)
	at org.apache.hadoop.util.Shell.run(Shell.java:504)
	at org.apache.hadoop.util.Shell$ShellCommandExecutor.execute(Shell.java:786)
	at org.apache.hadoop.yarn.server.nodemanager.DefaultContainerExecutor.launchContainer(DefaultContainerExecutor.java:213)
	at org.apache.hadoop.yarn.server.nodemanager.containermanager.launcher.ContainerLaunch.call(ContainerLaunch.java:302)
	at org.apache.hadoop.yarn.server.nodemanager.containermanager.launcher.ContainerLaunch.call(ContainerLaunch.java:82)
	at java.util.concurrent.FutureTask.run(FutureTask.java:266)
	at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
	at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
	at java.lang.Thread.run(Thread.java:745)


Container exited with a non-zero exit code 50

16/10/25 15:48:44 INFO yarn.YarnAllocator: Completed container container_1477380530193_0001_01_000002 on host: node-003 (state: COMPLETE, exit status: 50)
16/10/25 15:48:44 WARN yarn.YarnAllocator: Container marked as failed: container_1477380530193_0001_01_000002 on host: node-003. Exit status: 50. Diagnostics: Exception from container-launch.
Container id: container_1477380530193_0001_01_000002
2016-10-25 1 1
分享

狂龙

赞同来自: mark_meng

老师，文本文件格式转为parquet格式，应怎么转呢？  
2016-10-25 1 1
分享

笑着走下去

赞同来自: Riordon

如何与sparksql通信？就像hive可以启动thriftserver，然后可以通过thrift协议来发送命令操纵hive。sparksql是否有提供类似的方式？ 
2016-10-25 1 0
分享

乖乖燕杰

赞同来自:

老师我想问下如果我们系统中需要同时处理两种类型数据，一种是实时由kafka发送来的，还有一种是离线数据按搞定周期放到hdfs或是ftp上的文件，用spark 或spark streaming能处理这两种类型吗？
2016-10-25 0 1
分享

乖乖燕杰

赞同来自:

还想问下 在一个应用系统中，有很多其他逻辑是不需要转换为RDD处理的，比如说有一个线程要循环扫描一个目录，如果目录中扫描到有文件就把文件全换成RDD，再对这些RDD进行后续的处理，这种可以用spark来做吗？像storm中会有prepare这种方法可以处理其他业务如初始化参数或从数据库加载配置等，这种业务处在spark程序中的什么位置？
2016-10-25 0 1
分享

快乐思想家

赞同来自:

现在看到的程序都是通过spark-submit进行提交的，但我们现在的程序大部分是跑在web端，想问下老师，在实际的环境，是怎么进行触发并协作的？怎么获得执行结果，异步方式？写数据库？
2016-10-25 0 1
分享

ioridong

赞同来自:

请问老师，spark-env.sh 和  spark-defaults.conf 两个配置文件有什么区别？ 各自的用途是什么？ spark应用程序、spark-shell、spark-submit 是如何使用这两个配置文件的？ 另外：SPARK_WORKER_MEMORY 和 SPARK_EXECUTOR_MEMORY 的设置有没有什么建议？ 比如要设置成一样，或者worker要比executor大？ 最小值、最大值有何限制？ 同样driver-memory内存设置有什么建议？  
2016-10-25 0 1
分享

ioridong

赞同来自:

请问董老师，现对local和standalone运行模式有些疑惑： 1. 用IDEA运行视频中的wordcount例子，采用Local模式，发现在spark服务没有启动的情况下，也是能正常运行。 这时候是spark应用程序自己去调用executor的吗？ 但这时spark应用程序怎么能获取到spark的配置信息？ 2. 把setMaster(Local)修改成setMaster("spark://主机名:7077")，再执行，这时候运行模式是否就是standalone模式？ 3. Standalone模式是否需要启动yarn吗？ 采用Spark-submit –master spark://主机名:7077 的方式执行spark应用程序，在没有启动yarn的情况下，执行程序一直报以下错误，只能kill掉： WARN TaskSchedulerImpl: Initial job has not accepted any resources; check your cluster UI to ensure that workers are registered and have sufficient resources
sparkerror.png
 
2016-10-25 0 1
分享

SuperManBack

赞同来自:

董老师，sparkstring遇到一个问题，一个topic的数据大约每秒钟12W条，另一个每分钟几千条，但是这俩需要进行unit操作一进行unit有很大的延迟，请问有什么处理办法吗
1A0A.tmp_.jpg
77F0.tmp_.jpg
 
2016-10-25 0 1
分享

周榆杰

赞同来自:

麻烦董老师帮忙看下是什么错误。提交命令 ./spark-submit --master yarn-cluster --class org.zhouyujie.WordCount --name WordCount --queue A.A1 /home/spark_scala.jar，之前有说版本兼容性问题，我的环境是CDH5.3.1-hadoop版本2.5.0，spark1.6，但是官网没有spark-assembly-1.6.1-hadoop2.5.0.jar.介于向下兼容考虑下载了spark-assembly-1.6.1-hadoop2.6.0.jar，但是提交后有显示截图的问题。
2016-10-25 0 1
分享

weicm

赞同来自:

spark-shell中可以直接用： sqlContext.sql("select * from table") 在程序里面直用同样的做法报表找不到！ 请问董老师，怎么在程序中直接访问SparkSql的表？
2016-10-25 0 1
分享

xiaohe001

赞同来自:

Hive的前景如何？ 是否有必要好好学习这门技能？
2016-10-25 0 1
分享

风雨之间

赞同来自:

spark中parquet文件只能用spark sql来读取吗，能用spark context来读取吗？
2016-10-25 0 1
分享

jerry138133

赞同来自:

sqlContext和sparkSession有什么异同？
2016-10-25 0 0
分享

cathy_xu

赞同来自:

mongodb 集群上面是否也可以用spark来进行运算？
2016-10-25 0 0
分享

李海磊

赞同来自:

dataframe 和SQL有啥区别啊？也是直接在交互模式下使用的吗？还是有自己的api接口包啊？
2016-10-25 0 0
分享

陈保贺 - 计算机硕士在读 @Beihang

赞同来自:

子partation之间有shuffle那怎么通过重新生成来容错呢  
2016-10-25 0 0
分享

陈保贺 - 计算机硕士在读 @Beihang

赞同来自:

父子partation之间有shuffle那怎么通过重新生成来容错呢
2016-10-25 0 0
分享

shareshow

赞同来自:

DataFrame或者DataSet API有例子吗？
2016-10-25 0 0
分享

ShadowFiend

赞同来自:

sparksql 怎么和sparkstreaming整合，
2016-10-25 0 0
分享

wemike

赞同来自:

能否像oracle有工具查看sparksql的执行计划
2016-10-25 0 0
分享

hddata123

赞同来自:

董老师，我在安装hadhoop，最后启动datanode时，报以下错误： 网上说因为两个VERSION不一致导致的，但是这里两个VERSION是一样的

2016-10-25 22:01:59,858 FATAL org.apache.hadoop.hdfs.server.datanode.DataNode: Initialization failed for Block pool <registering> (Datanode Uuid unassigned) service to VM-39-239-debian/10.154.39.239:8020. Exiting.  java.io.IOException: All specified directories are failed to load.     at org.apache.hadoop.hdfs.server.datanode.DataStorage.recoverTransitionRead(DataStorage.java:478)     at org.apache.hadoop.hdfs.server.datanode.DataNode.initStorage(DataNode.java:1342)     at org.apache.hadoop.hdfs.server.datanode.DataNode.initBlockPool(DataNode.java:1308)     at org.apache.hadoop.hdfs.server.datanode.BPOfferService.verifyAndSetNamespaceInfo(BPOfferService.java:314)     at org.apache.hadoop.hdfs.server.datanode.BPServiceActor.connectToNNAndHandshake(BPServiceActor.java:226)     at org.apache.hadoop.hdfs.server.datanode.BPServiceActor.run(BPServiceActor.java:867)     at java.lang.Thread.run(Thread.java:745) 2016-10-25 22:01:59,859 WARN org.apache.hadoop.hdfs.server.datanode.DataNode: Ending block pool service for: Block pool <registering> (Datanode Uuid unassigned) service to VM-39-239-debian/10.154.39.239:8020 2016-10-25 22:01:59,860 FATAL org.apache.hadoop.hdfs.server.datanode.DataNode: Initialization failed for Block pool <registering> (Datanode Uuid unassigned) service to VM-44-126-debian/10.154.44.126:8020. Exiting.  java.io.IOException: All specified directories are failed to load.     at org.apache.hadoop.hdfs.server.datanode.DataStorage.recoverTransitionRead(DataStorage.java:478)     at org.apache.hadoop.hdfs.server.datanode.DataNode.initStorage(DataNode.java:1342)     at org.apache.hadoop.hdfs.server.datanode.DataNode.initBlockPool(DataNode.java:1308)     at org.apache.hadoop.hdfs.server.datanode.BPOfferService.verifyAndSetNamespaceInfo(BPOfferService.java:314)     at org.apache.hadoop.hdfs.server.datanode.BPServiceActor.connectToNNAndHandshake(BPServiceActor.java:226)     at org.apache.hadoop.hdfs.server.datanode.BPServiceActor.run(BPServiceActor.java:867)     at java.lang.Thread.run(Thread.java:745) 2016-10-25 22:01:59,860 WARN org.apache.hadoop.hdfs.server.datanode.DataNode: Ending block pool service for: Block pool <registering> (Datanode Uuid unassigned) service to VM-44-126-debian/10.154.44.126:8020 2016-10-25 22:01:59,862 INFO org.apache.hadoop.hdfs.server.datanode.DataNode: Removed Block pool <registering> (Datanode Uuid unassigned) 2016-10-25 22:02:01,862 WARN org.apache.hadoop.hdfs.server.datanode.DataNode: Exiting Datanode 2016-10-25 22:02:01,863 INFO org.apache.hadoop.util.ExitUtil: Exiting with status 0 2016-10-25 22:02:01,865 INFO org.apache.hadoop.hdfs.server.datanode.DataNode: SHUTDOWN_MSG:  /************************************************************ SHUTDOWN_MSG: Shutting down DataNode at VM-215-49-debian/10.105.215.49 ************************************************************/  

2016-10-25 0 0
分享

xchao

赞同来自:

董老师，java程序怎么提交spark on yarn，不用spark shell脚本？
2016-10-26 0 1
分享
为什么被折叠? 0 个回复被折叠

要回复问题请先登录或注册

Copyright © 2018