1、Explain查看执行计划

• Spark3.0大版本发布，Spark SQL的优化占比将近50%。SparkSQL取代SparkCore，成为新一代的引擎内核，所有其他子框架如Mllib、Streaming和Graph，都可以共享Spark SQL的性能优化，都能从Spark社区对于SparkSQL的投入中受益。
• 要优化Spark SQL应用时，一定是要了解SparkSQL执行计划的。发现SQL执行慢的根本原因，才能知道应该在哪儿进行优化，是调整SQL的编写方式、还是用Hint、还是调参，而不是把优化方案拿来试一遍。

1、Spark SQL概述

1.1 什么是Spark SQL

• Spark SQL是用于结构化数据处理的Spark模块。与基本的Spark RDD API不同，Spark SQL提供的接口为Spark提供了有关数据结构和正在执行的计算的更多信息。在内部，Spark SQL使用这些额外的信息来执行额外的优化。与Spark SQL交互的方式有多种，包括SQL和Dataset API。计算结果时，使用相同的执行引擎，与您用于表达计算的API/语言无关。

1、RDD概述

1.1 什么是RDD

• RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据抽象。

• 代码中是一个抽象类，它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。

• RDD类比工厂生产。

1、Spark概述

1.1 什么是Spark

• 回顾：Hadoop主要解决，海量数据的存储和海量数据的分析计算。
• Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。

1、基础语法

1.1 字面量

• 字面量：在代码中，被写下来的的固定的值，称之为字面量。

• Python中常用的有6种值（数据）的类型：

1、概述

1.1 生产环境中的问题

• 生产环境发生了内存溢出该如何处理？
• 生产环境应该给服务器分配多少内存合适？
• 如何对垃圾回收器的性能进行调优？
• 生产环境CPU负载飙高该如何处理？
• 生产环境应该给应用分配多少线程合适？
• 不加log，如何确定请求是否执行了某一行代码？
• 不加log，如何实时查看某个方法的入参与返回值？

1、JVM监控及诊断工具-命令行

1.1 概述

• 性能诊断是软件工程师在日常工作中需要经常面对和解决的问题，在用户体验至上的今天，解决好应用的性能问题能带来非常大的收益。

• Java 作为最流行的编程语言之一，其应用性能诊断一直受到业界广泛关注。可能造成 Java 应用出现性能问题的因素非常多，例如线程控制、磁盘读写、数据库访问、网络I/O、垃圾收集等。想要定位这些问题，一款优秀的性能诊断工具必不可少。

  Read more »

1、Hive简介

1.1 Hive定义

• Hive是由Facebook开源，基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类SQL查询功能。

• Hive是一个Hadoop客户端，用于将HQL（Hive SQL）转化成MapReduce程序。

  • Hive中每张表的数据存储在HDFS。
  • Hive分析数据底层的实现是MapReduce（也可配置为Spark或者Tez）。
  • 执行程序运行在Yarn上。

1、Explain查看执行计划

• 在clickhouse20.6版本之前要查看SQL语句的执行计划需要设置日志级别为trace才能可以看到，并且只能真正执行sql，在执行日志里面查看。在20.6版本引入了原生的执行计划的语法。在20.6.3版本成为正式版本的功能。

1、HDFS概述

1.1 HDFS产出背景及定义

• HDFS产生背景：
  • 随着数据量越来越大，在一个操作系统存不下所有的数据，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。HDFS只是分布式文件管理系统中的一种。
• HDFS定义：
  • HDFS（Hadoop Distributed File System），它是一个文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。
  • HDFS的使用场景：适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭之后就不需要改变。
    Read more »