“决胜云计算大数据时代”

Spark亚太研究院100期公益大讲堂 【第12期互动问答分享】

 

Q1：jobserver 企业使用情况如何？

  • 中国有一家视频网站已经使用超过JobServer超过半年的时间；

  • 2013年和2014年Spark Summit均大力推荐使用JobServer；

     


Q2：请问，jobserver是适合企业内部还是供外部客户使用（可能并发、安全有要求），还是两者ok?

  • 目前可见的企业使用案例均是用在企业内部；

  • 如果是企业外部可以作为云服务或者大数据资源池使用；


 

Q3：请问，spark 跑1T数据需要多少内存才能很快跑完

  • 这首先和程序运行时候在每台Worker上使用的内存和CPU有关，提交程序的时候可以手动配置；

  • 其次是和带宽有关系，Shuffle的要尽量减少数据；

  • Driver所在的机器的配置也是极为重要的，一般而言Driver所在的Client的内存和CPU根据实际情况要尽可能的更高的配置，同时，也是至关重要的Driver和Spark集群要在同一个网络环境，应为Driver要不断的task给Worker上的Executor，同时接受Driver的数据；


 

Q4：我目前是解决stackoverflow Error 是用checkPoint解决lineage过长的问题 但是这样会影响效率 怎样在效率和error之间均衡呢？

  • :StackOverflow可以通过配置BlockManager内存管理策略来缓解；

  • 对于checkpoint，要根据实际情况调整，例如对于Spark Streaming 默认是在内存有两份数据副本，此时如果处理能力无法及时消费实时流数据，就会极为容易产生StackOverflow的情况，此时就要根据实际情况调整时间窗口和进行checkpoint；