azkaban经常拉起的就是Hive命令，计算任务其实是丢到Yarn集群中运行的，然而实践中发现Hive命令是非常废本地CPU和Mem的，这是为什么呢？ 继续阅读
azkaban – 同时拉起JOB过多导致机器打满
发表评论
分类目录归档：大数据
sqoop – import导入parquet的坑
sqoop import导入mysql数据时使用parquet是为了列存压缩节约磁盘空间，但parquet本身是类似于protocolbuf的强schema格式，每一列的数据类型都是明确定义的，这就带来了一些坑点，下面列举一下。 继续阅读
hive – parquet文件格式OOM问题
sqoop import导入mysql表时，为了降低磁盘空间占用，均采用了parquet文件格式进行列存储+压缩。 继续阅读
如何将spark-sql的Row转成Java对象？
实践中发现一个需求，需要将SQL读取的Dataframe的Row转成方便操作的Java bean。 继续阅读
shell执行hive sql的*星号问题
hive执行sql时一般都写在bash脚本里，例如： 继续阅读
azkaban – 上传zip太大怎么办？
因为azkaban任务需要用到spark，打出来的jar包好几百兆，打包成.zip上传azkaban就会卡住很久很久，甚至失败。 继续阅读
sqoop – mysql导入hive与hive导出mysql
sqoop用于关系型数据库与数仓进行数据交换，是大数据必备工具。 继续阅读
hive系列 – 数仓分层Demo
大数据越来越重要，要管理与利用好这些数据就需要建设数据仓库。
数仓建设是有一套建模理论的，本文通过一个简单例子来理解数仓分层的基本样貌。 继续阅读
hive系列 – spark on hive配置与编程
我们经常会选择使用spark做原始数据的ETL清洗，清洗后的Dataframe最终需要写入到数仓的Hive表中，也就是说spark能否直接读写hive表特别重要。 继续阅读
hive系列 – hive搭建
本文记录hive3.x版本搭建过程。
spark系列 – spark-sql编程使用
体验过spark RDD编程，我们能感受到几个问题： 继续阅读
spark系列 – RDD编程使用
这是一个系列，建议从《spark系列 – spark on yarn搭建》开始阅读。
RDD是spark对数据集的抽象，任意大小的数据集都可以通过1个RDD对象来表达，因此spark编程操作大数据集非常简单。 继续阅读
spark系列 – spark on yarn搭建
mapreduce框架在开发需要多轮MR的任务时，因为shuffle过程和reducer输出需要写到磁盘上，所以执行效率很低。 继续阅读
hdfs系列 – Orc格式与mapreduce
这是系列博客，你应该从《hdfs系列 – Text格式与mapreduce》开始阅读。 继续阅读
hdfs系列 – Avro格式与mapreduce
这是系列博客，你应该从《hdfs系列 – Text格式与mapreduce》开始阅读。 继续阅读
hdfs系列 – SequenceFile格式与mapreduce
这是系列博客，你应该从《hdfs系列 – Text格式与mapreduce》开始阅读。 继续阅读
hdfs系列 – Text格式与mapreduce
入门hadoop，我认为很重要也很困难的一点就是理解各种纷杂的文件格式与压缩算法的关系，理解mapreduce如何与不同的文件格式进行合作，只有建立好这些认知才能进一步用好hive等上层组件。 继续阅读
hadoop伪分布式环境搭建
近期学习大数据技术，将通过博客分享它们原理与使用。 继续阅读
azkaban入门
azkaban是当下最主流的ETL任务调度工具，容易理解与使用，轻松分布式扩展处理能力。 继续阅读