- 博客(61)
- 资源 (1)
- 问答 (1)
- 收藏
- 关注
RSS订阅
原创 Spark SQL执行计划到RDD全流程记录
记录Spark SQL生成执行计划的全流程和代码跟踪。Spark版本是2.3.2。上图流程描述了Spark SQL 怎么转成Spark计算框架可以执行的分布式模型，下面结合一个样例，跟踪每个步骤。
2022-12-17 23:34:15
1884
原创 基于语法树解析Spark SQL 获取访问的表/字段/UDF等信息
最近有需求，需要拆解Spark SQL中的表，字段等信息，然后配合Ranger实现一些权限校验。其实难度不大，就是需要根据语法树做一些递归拆解，然后就能拆解出一段SQL中的相关信息，再创建一些数据结构bean对象用于配合校验。下面是部分源码(全部本人原创)，不涉及业务信息。对于Presto我也做了拆解，欢迎沟通交流。import test.AccessType;import test.ColumnAccess;import test.ColumnsWithTable;import l
2022-04-13 10:59:22
4098
原创 基于mysql binlog和flink broadcast实现配置动态更新
在flink流式计算中，需要动态的更新配置，而无需重启作业进程。通过mysql binlog机制，可以实现配置的变化并可以捕获这一变化；通过flink的broadcast机制，可以将这一动态变化广播到业务流，并进行相应的逻辑处理，最终实现配置的动态更新。下面写一个简单的demo，仅供平时学习积累使用。CDCCDC全称Change Data Capture，变动数据捕获。它的核心思想是，监测并捕获数据库的变动，将这些变更按发生的顺序完整记录下来，写入到消息中间件中以供其他服务进行订阅及消费。m
2021-04-20 15:21:36
986
4
原创 自定义child-first类加载器解决Jar包冲突
自定义java类加载器解决Jar包冲突最新使用tika进行非结构化数据的抽取，因为现场抽取的种类很多，针对EXCLE数据，需要引用到poi-ooxml中的方法，但是现场的poi-ooxml的版本和tika-app中依赖的版本有冲突，因此需要解决该问题。概念此处来源 https://www.jianshu.com/p/1e4011617650BootstrapClassLoader（启动类加载器）c++编写，加载java核心库 java.*，构造ExtClassLoader和AppClas
2021-01-18 14:18:50
2005
5
原创 Spark AQE 配置和源码说明
网摘：AQE（Adaptive Query Execution）自适应查询，是Spark 3.0开始增加的一种机制，可以根据 Shuffle Map阶段的统计信息，基于地调整和修正的，来完成对原始查询语句的优化。
2023-07-05 22:02:16
470
原创 leecode每日一题 1080 根到叶路径上的不足节点
给你二叉树的根节点 root 和一个整数 limit ，请你同时删除树中所有 不足节点 ，并返回最终二叉树的根节点。假如通过节点 node 的每种可能的 “根-叶” 路径上值的总和全都小于给定的 limit，则该节点被称之为 不足节点 ，需要被删除。叶子节点，就是没有子节点的节点。输入：root = [1,2,3,4,-99,-99,7,8,9,-99,-99,12,13,-99,14], limit = 1输出：[1,2,3,4,null,null,7,8,9,null,14]
2023-05-25 17:51:08
913
原创 leecode每日一题 1054 距离相等的条形码
在一个仓库里，有一排条形码，其中第 i 个条形码为 barcodes[i]。请你重新排列这些条形码，使其中任意两个相邻的条形码不能相等。你可以返回任何满足该要求的答案，此题保证存在答案。示例 1：输入：barcodes = [1,1,1,2,2,2]输出：[2,1,2,1,2,1]示例 2：输入：barcodes = [1,1,1,1,2,2,3,3]输出：[1,3,1,3,2,1,2,1]
2023-05-16 15:35:13
476
原创 leecode每日一题 1023 驼峰式匹配
如果我们可以将小写字母插入模式串 pattern 得到待查询项 query，那么待查询项与给定模式串匹配。（我们可以在任何位置插入每个字符，也可以插入 0 个字符。给定待查询列表 queries，和模式串 pattern，返回由布尔值组成的答案列表 answer。只有在待查项 queries[i] 与模式串 pattern 匹配时， answer[i] 才为 true，否则为 false。
2023-04-14 15:27:55
74
原创 leecode每日一题 2404 段式回文
给你一个整数数组nums，返回出现最频繁的偶数元素。如果存在多个满足条件的元素，只需要返回的一个。如果不存在这样的元素，返回-1。
2023-04-13 09:56:03
61
原创 leecode每日一题 1147 段式回文
你会得到一个字符串 text。你应该把它分成 k 个子字符串 (subtext1, subtext2，…， subtextk) ，要求满足:subtexti 是 非空 字符串所有子字符串的连接等于 text ( 即subtext1 + subtext2 + ... + subtextk == text )对于所有 i 的有效值( 即 1
2023-04-12 16:23:33
52
原创 Spark jdbc读写的数据对账功能和问题解决
3. 当某一条数据写入错误时，整个spark任务是失败状态，但是发现有部分数据已经成功写到表，有部分数据回退的情况。1. 注册JdbcRelationProvider，实现createRelation， 通过调用JdbcUtils.saveTable()方法实现写表功能。可以发现，savePartition是有做事务的，发生错误之后可以回退。2. saveTable的内部实现，可以看到主要实现方法是，拼接了一个insert的执行对象，然后根据写入的分区遍历写入。这个时候，其实是异步的，并不是串行的。
2023-03-29 11:44:06
485
原创 Hive表热度统计
通过解析hiveserver2的info日志，获取每个执行sql命令。通过durid对sql进行解析，获取对于表的操作，并写到数据库中。接口提供，最小粒度到分钟，给到应用做展现。
2023-03-08 15:09:23
299
原创 Spark Sql表关联筛选行列转换窗口比较等代码实现
不涉及业务，记录基于Spark Sql框架和Scala语法，实现表的关联，筛选，聚合，行列转换，窗口比较等代码实现。Demo1，主要是通过字符串分割和flatmap实现行转列，通过聚合函数实现行转列。Demo2，定义窗口，通过row_number实现TopN。
2023-01-28 11:47:35
192
原创 Dolphinscheduler定时调度没有启动Handling 4 trigger(s) that missed their scheduled fire-time
无业务信息，只是问题记录积累。
2023-01-19 22:53:47
2813
原创 基于Durid解析SQL语法树获取单查询该查询的最终输出字段
本来方案是，直接用Durid里面自带得HiveSchemaStatVisitor，进行SQL遍历，就可以获取所需的Select字段。测试结果发现不是这样，原生的解析拿不到子查询的明细字段，也拿不到"*"对应的字段，如下图。需求：要解析用户的SQL，从语法上获取SQL的输出字段，这样好和后面的入库字段做映射。2、将子查询内的字段展现(最终是输出的字段)，如果最终不输出，也不考虑这些字段。该记录不涉及任何业务信息，仅作学习记录，代码在最下面。下图是和上图用的同一句SQL，测试输出的结果。
2022-09-03 17:03:17
1388
2
原创 Spark2.4升级到Spark 3.2后，小文件数增多的问题解决
全部原创，仅做问题分析记录，不涉及任何业务信息。问题描述数仓同学报障，说升级了spark3.2后，同样的一组SQL和配置，为什么最终写表的小文件从几个变成了500个，是不是distribute by rand()不生效了... :DSpark 3.2Spark 2.4首先问题的确是存在(虽然和distribute by rand()没关系。。。)，最后一个insert操作，原来的分区只有几个，从上游job500个变成了几个，而现在都是500个，进一步分析。定位和解决.
2022-04-18 11:02:12
1869
转载 Flink--Hybrid Source提出的动机及实现原理介绍
Hybrid Source的提出动机在实践中，许多Flink作业需要按顺序从多个数据源读取数据，具体有如下2个场景：Change Data Capture (CDC)： 用户可以将数据的快照存储在HDFS/S3中，数据的更新日志存储在数据库binlog或Kafka中 机器学习特征回填: 当向模型添加新特性时，需要从几个月前到现在的原始数据计算该特性。在大多数情况下，历史数据和实时数据分别存储在两种不同的存储系统中，例如HDFS和Kafka。在过去，用户可能必须运行两个不同的Flink作业，或者在S
2022-04-15 11:57:39
656
原创 Presto读Hive报错： Malformed ORC file. Cannot read SQL type ‘tinyint‘ from ORC stream...
向社区提了个Issue：Malformed ORC file. Cannot read SQL type 'boolean' from ORC stream '.illegal' of type INT with attributes · Issue #11428 · trinodb/trino (github.com)跟了代码之后，这样改了，实测是能解决了，也用到生产环境了。但是不一定能合到社区，发出来，给可能有类似问题的同学做下参考，抛砖引玉吧：Support 8-bit field typ
2022-03-22 15:52:30
4824
原创 Spark Sql Left Join(多对多)导致的数据膨胀问题和解决
问题：大表left join小表，小表有10万条，大概就10M大小。大表有30多亿条，对应分区下有40个HDFS文件，简单的一个left join，跑了几个小时跑不出结果。INSERT OVERWRITE TABLE 结果表 PARTITION(dt='20220302') select vertice,types,nvl(dstgid,groupid) as gid from ( select vertice,groupid,types from
2022-03-03 17:20:30
5236
原创 Spark RDD Partition和Scheduler调度的梳理
问题来源业务同学报障，同一个Spark计算，数据源，执行代码和提交客户端配置都一模一样，第一次运行跑了几个小时没出数kill掉了，失败后第二次运行，跑了18分钟就出数了。我这边要分析一下原因，提供解决方案，避免业务再出现类似的问题。说明：该记录只是问题梳理，不会涉及任何业务信息。问题分析对比了Spark History的详情，以及日志，发现同样的执行计划，任务的并发数...
2022-01-03 14:51:27
1251
原创 Spark 3.2 基于推送的Spark shuffle 服务
[SPARK-30602] SPIP: Support push-based shuffle to improve shuffle efficiency - ASF JIRA (apache.org)[SPARK-36374][SHUFFLE][DOC] Push-based shuffle high level user documentation by venkata91 · Pull Request #33615 · apache/spark · GitHub
2021-12-09 15:43:53
1643
原创 Spark On Yarn -- Spark Shuffle Service加载流程
最近要写一个spark on yarn的代码梳理，帮自己理清楚相关的服务脉络，先占个坑
2021-11-22 15:09:59
602
转载 Presto UDF小坑--SimpleDateFormat线程安全问题
原文链接：还在使用SimpleDateFormat？你的项目崩没？ | Felix (542869246.github.io)用SimpleDateFormat做时间格式转换，构造了一个全局的SimpleDateFormat，结果发现时间转出来五花八门，有些时间戳还有负数。public final class Test{ private static final SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd"); //问题
2021-11-08 19:00:20
99
原创 Presto UDF 返回Map类型
最近在做presto改造和业务功能支持，需要做一个返回map的udf，网上例子比较少，官网也没有，因此记录下。Slice，Block，Page返回Map类型的UDF Demo/* * Licensed under the Apache License, Version 2.0 (the "License"); * you may not use this file except in compliance with the License. * You may obtai
2021-10-30 20:09:10
999
原创 spring-mybatis整合
http://mybatis.org/spring/zh/mybatis基础实现1. 在数据库中创建一张表，CRUD操作2. 定义一个实体类，和数据库中的表有对应关系(一对一，多对一，一对多等等)@Data@Alias("user")public class User { private int id; private String name; private String pwd;}3. 定义一个接口类，提供对数据库进行CRUD操作的接口方法。public in
2021-02-08 16:09:33
71
原创 日常错误积累
问题1： 通过JDBC连接Hive报错，Required field ‘client_protocol’ is unset，错误栈如下图：原因：跟着代码走一遍错误栈就知道了，依赖的hive客户端jar包版本和访问的Hive服务端的版本不对应，客户端的hive-jdbc-#{version}.jar和服务端的hive-service-#{version}.jar版本要一致。...
2021-01-29 09:59:48
84
原创 IMEI，手机号，身份证号格式有效性校验
IMEI，手机号，身份证号格式有效性校验IMEI格式有效性校验手机号格式有效性校验身份证格式有效性校验IMEI格式有效性校验imei一般由15位数字组成，有些厂家会在最后加上两位数字表示版本号。imei的校验主要通过模10算法，基于前14位的数字校验第15位的数值。class IsValidIMEI: AbstractScalar(), (String) -> Boolean { //一般的imei基本都是15位，有些17位的，后两位是版本号 private val regex
2020-11-06 15:35:57
1377
原创 Apache Tika 1.24包冲突记录
tika-app版本1.241. 报错：java.lang.NoSuchMethodError: org.apache.commons.io.IOUtils.read(Ljava/io/InputStream;[B)Icommons-io-2.1.jar换成commons.io-2.6.jar2. 报错：java.lang.NoSuchMethodError: org.apache.commons.compress.archivers.ArchiveStreamFactory.detect.
2020-09-12 11:22:16
1068
原创 kafka要点总结
做一个kafka的要点总结，官网或者博客都有大量资料目录基础术语副本机制Kafka数据备份Leader选举ISR集合方法少数服从多数方法如果所有的ISR副本都失败了怎么办Kafka数据commitISR配置宕机如何恢复少部分副本宕机全部副本宕机Zookeeper协调服务Zookeeper的watch机制Kafka分区策略Range...
2020-01-19 22:45:04
294
原创 基于flume框架的ORCSink开发中遇到的坑（一）
最近做了一个基于flume 1.7 的sink，用于写hdfs orc文件，中间遇到了几个坑，下面把思路和遇到的问题一一记录下来。1. 开发思路首先的实现场景是这样的：从channel拿数据-->sink拿到数据后做分类-->分类后将数据写入对应的orc文件->文件关闭。技术要点是这样：1.1 线程池管理hdfs操作在分类写orc文件这环节，我开了两个线程池，一...
2018-08-02 17:59:46
1937
3
原创 flume的事务实现
在flume的内部实现中事务是一个重要的概念，事务保证了数据的可用性（有别于数据库中的事务）。下图的数据流是spooling directory source-> memory channel-> kafka sink，其中memory channel维护了两个事务，分别是put事务和take事务。 下面简要介绍一下事务的代码实现：1. doPut(放入event)...
2018-08-02 17:29:00
3762
原创 orc文件写入+GC调优+java多线程+java静态类
好久没总结，说来惭愧，做了4年的开发，但是对于基础的概念总结还是很不完善，最近有可以写的东西，先做个引子和总结，等有空来写。1. flume自定义sink，用于写orc文件，直接挂到hive表上，相当于直接入库了。2. 并发程序中出现OOM的调优过程3. 并发概念总结4. 静态类的概念总结5. fs.automatic.close配置引起的乌龙6. hdfs的租约模型(df...
2018-07-17 15:26:23
635
3
原创 flume spoolDirectory Source原生代码流程及其拓展
最近小组要在flume的基础上做定制开发，以满足公司内部的业务使用。我这块主要的开发是对zip包中的文件做一定的处理后，以avro方式序列化，写入kafka。整个流程参考了flume的spoolDirectorySource的实现，因为主要是对spooldirectorySource中文件解析的部分进行了参考，所以下面的文章将会着重分析文件的解析部分。1、 spoolDirector
2017-09-08 16:12:55
2158
原创 通过ICE接口对hbase进行文件操作
最近开发了几个对集群做文件操作的模块，都是基于python（2.7）。下面记录一下对通过ICE接口，写HBASE的模块，贴出部分代码。1. 关于ICEICE是一个中间件，我们可以通过ICE，不考虑server和client分别是什么，进行跨集群的操作。ice已经有很多资料可供学习，以后也会自己总结一个关于ice的文档2. 依赖包ICE3. 源码及解释
2017-02-21 18:42:39
868
原创 基于pyhdfs接口对hadoop进行文件操作
最近开发了几个对集群做文件操作的模块，都是基于python（2.7）。下面记录一下对hdfs做文件操作的模块，贴出部分代码。1. pyhdfs(PyHDFS-0.1.2.tar.gz), 依赖包requestssimplejson2. 代码及解说因为之前没有判断把文件写到hdfs后的执行结构，下一步就直接将文件移走了，会造成在写hdfs时，报找不到本地文件的错；
2017-02-21 18:32:39
3382
安卓开发入门资料推荐？
2014-05-04
TA创建的收藏夹 TA关注的收藏夹
TA关注的人