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。