个人总结-乱七八糟踩坑

错误集锦

tomcat

  • tomcat无法启动:注释远程调试

tomcat/bin/catalina.sh 中的 #CATALINA_OPTS="-Xdebug -Xrunjdwp:transport=dt_socket,address=19000,server=y,suspend=n"


mysql

  • 连接服务器 mysql -uusername -p1234556 -hdb.org --port=5003

visualbox 配置

  • 配置Ubuntu server 固定ip
  1. 为了配置访问外部网路以及和宿主机互联,在vb 管理->主机网络管理器->手动配置网卡->配置仅主机网络属性:ip和网络掩码
  2. 具体虚拟机(如ubuntu),设置->网络->网卡1 选择网络地址转换(NAT)混杂模式(全部允许), 网卡2:选择仅主机网络
  3. 启动虚拟主机,配置ip: sudo vim /etc/network/interfaces,配置如下
# This file describes the network interfaces available on your system
# and how to activate them. For more information, see interfaces(5).

# The loopback network interface
auto lo
iface lo inet loopback

# The primary network interface
auto eth0
iface eth0 inet dhcp

auto eth1
iface eth1 inet static
address 192.168.1.101
netmask 255.255.255.0
复制代码
  1. 配置域名解析DNS sudo vim /etc/resolvconf/resolv.conf.d/base
# 根据个人电脑设置
# ipconfig /all windows查看
nameserver      8.8.8.8
复制代码
  1. sudo reboot 重启即可

windows

指令

  • 端口查看:netstat -aon | findstr 16661
  • 任务kill:taskkill /F /PID 14560

linux

指令

  • 获取日期:date +%Y%m%d -d '+1 day/min',转换成时间戳date -d '2013-2-22 22:14' +%s, 时间戳转换成日期date -d @1512088011 +'%Y%m%d'
  • 查看端口:netstat -aon
  • lsof -p (list open file):查看进程使用的文件,-p指定pid

q&s

awk -F"\t" '{if($2 == "1"){print $1}}' | less,无法匹配出数据

grep 后面 跟less/more不会对查询结果标红


fe

  • 修改css后页面没有刷新

    缓存问题,可以在css加载语句的后面添加?v=1.0.0让浏览器重新加载资源。

  • js find 过滤器

    var rs = extObj.find("tr[role!='head'][role!='foot']"); 实现多重条件选择


idea

  • Jetty 热部署

    1. pom 文件
    
        org.mortbay.jetty
        jetty-maven-plugin
        
            1 
            9977
            foo 0
            
                "org.eclipse.jetty.server.nio.SelectChannelConnector">   
                    8080
                    60000
                
            
            
            /
            
        
    
    复制代码
    1. ctrl+shift+f9 重新build当前文件 ctrl+f9 重新build整个目录
    2. project structure -> Modules paths 设置build的class文件目录(注意放到web项目的目录下面,如target\nss\WEB-INF\classes

java

q&s

问题

2017-10-25 21:52:17,528 FATAL [main] org.apache.hadoop.mapred.YarnChild: Error running child : java.lang.OutOfMemoryError: Direct buffer memory
复制代码

解决: reduce 阶段,申请使用操作系统的内存,没有控制好,出现了内存泄露,导致的内存溢出。申请内存超过8192MB和不能被1024MB整除的资源请求

jvm

  • -Xmx Java Heap最大值,默认值为物理内存的1/4,最佳设值应该视物理内存大小及计算机内其他内存开销而定;
  • -Xms Java Heap初始值,Server端JVM最好将-Xms和-Xmx设为相同值,开发测试机JVM可以保留默认值;
  • -Xmn Java Heap Young区大小,不熟悉最好保留默认值;
  • -Xss 每个线程的Stack大小,不熟悉最好保留默认值;

hadoop

notice

  • Map和Reduce阶段不能对集合进行写操作。即使写了在reduce阶段也读不出来。

    map和reduce会在不同的服务器上操作,全局变量无法生效。 1、通过Configuration保存String变量; 2、在reduce或者map阶段读取小文件存入内存,进行操作。

  • reduce阶段,==Iterable的迭代只能遍历一次==,第二次遍历后没有数据,所以会造成结果匹配错误。所以应该先将数据保存,再遍历。

  • set class 要在set configuration之后这样才会保存配置

  • 如果reduce的Value不输出值得话,返回类型用NullWritable.get(),这样可以保证文件中在key的后面不会出现tab

  • Mapper Reducer类的子类要是static,否则会报初始化错误

  • ==对于MR的return要谨慎使用,防止跳出,部分结果无法输出==

hdfs 操作指令

  • hadoop fs -stat [option] hdfsfilepath
%b:打印文件大小(目录为0)
%n:打印文件名
%o:打印block size (我们要的值)
%r:打印备份数
%y:打印UTC日期 yyyy-MM-dd HH:mm:ss
%Y:打印自1970年1月1日以来的UTC微秒数
%F:目录打印directory, 文件打印regular file
复制代码
  • hadoop job -status jobid job_1509011180094_5418072

    结果说明:

Uber job : false-----uber模式:false,Uber模式简单地可以理解成JVM重用。
以Uber模式运行MR作业,所有的Map Tasks和Reduce Tasks将会在ApplicationMaster所在的容器(container)中运行,
也就是说整个MR作业运行的过程只会启动AM container,因为不需要启动
mapper 和reducercontainers,所以AM不需要和远程containers通信,整个过程简单了。

Number of maps: 13702 -----map总数:
Number of reduces: 500 -----reduces总数
map() completion: 1.0  
reduce() completion: 1.0  
Job state: SUCCEEDED -----job状态  
retired: false  
reason for failure: -----failure原因  

Counters: 58 -----counter总数  
    File System Counters -----这个group表示job与文件系统交互的读写统计
        FILE: Number of bytes read=0 -----job读取本地文件系统的文件字节数。假定我们当前map的输入数
        据都来自于HDFS,那么在map阶段,这个数据应该是0。但reduce在在执
        行前,它的输入数据是经过Shuffle的merge后存储在reduce端本地磁盘
        中,所以这个数据就是所有reduce的总输入字节数。
        FILE: Number of bytes written=5654852533 -----map的中间结果都会spill到本地磁盘中,在map执行完后,形成
        最终的spill文件。所以map端这里的数据就表示MapTask往本地磁盘
        中共写了多少字节。与Map端相对应的是,reduce端在Shuffle时,会
        不断拉取Map端的中间结果,然后做merge并不断spill到自己的本地
        磁盘中。最终形成一个单独文件,这个文件就是reduce的输入文件。
        FILE: Number of read operations=0 -----
        FILE: Number of large read operations=0
        FILE: Number of write operations=0
        HDFS: Number of bytes read=3560544443952 -----job执行过程中,累计写入HDFS的数据大小,整个job执行过程中
        ,只有map端运行时,才会从HDFS读取数据,这些数据不限于源文件
        内容,还包括所有map的split元数据。所以这个值应该比
        FileInputFormatCounter.BYTES_READ要略大些。
        HDFS: Number of bytes written=317076139 -----Reduce的最终结果都会写入HDFS,就是一个Job执行结果的总量。
        HDFS: Number of read operations=70010
        HDFS: Number of large read operations=0
        HDFS: Number of write operations=4491
        VIEWFS: Number of bytes read=0
        VIEWFS: Number of bytes written=0
        VIEWFS: Number of read operations=0
        VIEWFS: Number of large read operations=0
        VIEWFS: Number of write operations=0
        
    Job Counters -----这个group描述与job调度相关的统计
        Killed map tasks=4
        Launched map tasks=13706 -----此job启动了多少个map task
        Launched reduce tasks=500 -----此job启动了多少个reduce task
        Data-local map tasks=13043 -----Job在被调度时,如果启动了一个data-local(源文件的副本在执行map task的TaskTracker本地)
        Rack-local map tasks=663 ----- 处理的文件不在map task节点上
        Total time spent by all maps in occupied slots (ms)=437335720 -----所有map task占用slot的总时间,包含执行时间和创建/销毁子JVM的时间
        Total time spent by all reduces in occupied slots (ms)=83963148 -----
        Total time spent by all map tasks (ms)=218667860
        Total time spent by all reduce tasks (ms)=27987716
        Total vcore-seconds taken by all map tasks=218667860
        Total vcore-seconds taken by all reduce tasks=27987716
        Total megabyte-seconds taken by all map tasks=557165707280
        Total megabyte-seconds taken by all reduce tasks=128631542736
        
    Map-Reduce Framework -----这个Countergroup包含了相当多的job执行细节数据。
    这里需要有个概念认识是:一般情况下,record就表示一行数据,
    而相对的byte表示这行数据的大小是多少,这里的group
    表示经过reduce merge后像这样的输入形式{
     "aaa",[5,2,8,...]}
        "Map input records=4486906030" -----所有MapTask从HDFS读取的文件总行数
        Map output records=93940285 -----MapTask的直接输出record是多少,就是在map方法中调用
        context.write的次数,也就是未经过Combine时的原生输出条数。
        Map output bytes=5011599765 -----Map的输出结果key/value都会被序列化到内存缓冲区中,
        所以这里的bytes指序列化后的最终字节之和。
        Map output materialized bytes=3532812262 -----map 输出物化到磁盘的数据量,
        也就是reduce shuffle的数据量
        Input split bytes=2839207
        "Combine input records=93940285" -----Combiner是为了尽量减少需要拉取和移动的数据
        "Combine output records=79274144" -----经过Combiner后,相同key的数据经过压缩,
        在map端自己解决了很多重复数据,表示最终在map端中间
        文件中的所有条目数
        Reduce input groups=13757989 -----Reduce总共读取了多少个这样的groups,
        等于reduce处理的key个数
        "Reduce shuffle bytes=3532812262" -----Reduce端的copy线程总共从map端抓去了多少的中间数据
        ,表示各个MapTask最终的中间文件总和。
        "Reduce input records=79274144" -----如果有Combiner的话,那么这里的数值就会等于Map端
        Combiner运算后的最后条数,如果没有,那么就会等于Map的输出条数
        Reduce output records=0 -----所有reduce执行后输出的总条目数
        "Spilled Records=79274144" -----spill过程在map和reduce端都会发生,
        这里统计的是总共从内存往磁盘中spill了多少条数据。
        Shuffled Maps =6851000 -----每个reduce几乎都得从所有Map端拉取数据,
        每个copy线程拉取成功一个map的数据,那么增1,
        所以它的总数基本等于reduce number*(map number - fiald)
        Failed Shuffles=0 -----copy线程在抓取map端中间数据时,
        如果因为网络连接异常或是IO异常,所引起的Shuffle错误次数。
        "Merged Map outputs=6851000" -----记录着Shuffle过程中总共经历了多少次merge动作
        "GC time elapsed (ms)=2890881"
        CPU time spent (ms)=299372980 -----job运行使用的cpu时间,是衡量任务的计算量
        总结:任务运行使用的CPU时间=counter:
        "Map-Reduce Framework:CPU time spent (ms)"
        Physical memory (bytes) snapshot=12848748335104 -----进程的当前物理内存使用大小
        Virtual memory (bytes) snapshot=45156357689344 -----进程的当前虚拟内存使用大小
        Total committed heap usage (bytes)=31420302491648 -----获取jvm的当前堆大小
        
     SHUFFLECOUNTER
        SHUFFLE_IDLE_TIME=21427585
        SHUFFLE_TOTAL_TIME=25507722
        
    HIVE
        CREATED_FILES=1
            
    Shuffle Errors -----这组内描述Shuffle过程中的各种错误情况发生次数,
    基本定位于Shuffle阶段copy线程抓取map端中间数据时的各种错误。
        BAD_ID=0 -----每个map都有一个ID,
        如attempt_201109020150_0254_m_000000_0,
        如果reduce的copy线程抓取过来的元数据中的这个ID不是标准格式,
        那么此Counter会增加。
        CONNECTION=0 -----表示copy线程建立到map端的连接有误。
        IO_ERROR=0 -----Reduce的copy线程如果在抓取map端数据时出现IOException,
        那么这个值会相应增加。
        WRONG_LENGTH=0 -----map端的那个中间结果是有压缩好的有格式数据,
        它有两个length信息:元数据大小和压缩后数据大小。
        如果这两个length信息传输的有误,那么此Counter会增加。
        WRONG_MAP=0 -----每个copy线程当然是有目的的:为某个reduce抓取
        某些map的中间结果,如果当前抓取的map数据不是copy
        线程之前定义好的map,那么就表示把数据拉错了。
        WRONG_REDUCE=0 -----与上述描述一致,如果抓取的数据表示它不是
        为此reduce而准备的,那还是拉错数据了。
        DESERIALIZE_ERRORS=0
        
    File Input Format Counters 
                Bytes Read=0
                
    File Output Format Counters 
                Bytes Written=0
复制代码

hadoop优化

mr job 流程

map

shuffle

  • io.sort.mb:100m

    1. 存储map中间数据的缓存默认大小,当map任务产生了非常大的中间数据时可以适当调大该参数,使缓存能容纳更多的map中间数据,而不至于大频率的IO磁盘,当系统性能的瓶颈在磁盘IO的速度上,可以适当的调大此参数来减少频繁的IO带来的性能障碍。
    2. 查看日志,spill次数多说明设置太低。(根据map的输出量进行设置)
  • io.sort.spill.percent:80%

    达到一定百分比,从后台进程对buffer进行排序,然后spill到磁盘。如果map的输出基本有序可以适当提高这个阈值。

  • io.sort.factor:10

    1. 最多能有多少并行的stream向merge文件中写入
    2. 当一个map task执行完之后,本地磁盘上(mapred.local.dir)有若干个spill文件,map task最后做的一件事就是执行merge sort,把这些spill文件合成一个文件(partition),有时候我们会自定义partition函数,就是在这个时候被调用的。
    3. merge sort会生成两个文件,一个是数据文件,一个是index:记录每个不同的key在数据文件中的偏移量(这就是partition)
  • min.num.spill.for.combine:3

    当job中设定了combiner,并且spill数最少有3个的时候, 那么combiner函数就会在merge产生结果文件之前运行。减少写入到磁盘文件的数据数量,同样是为了减少对磁盘的读写频率,有可能达到优化作业的目的。

  • mapred.compress.map.output:false

    那么map在写中间结果时,就会将数据压缩后再写入磁盘,读结果时也会采用先解压后读取数据。cpu换IO

  • mapred.map.output.compression.codec:org.apache.hadoop.io.compress.De faultCodec(GzipCodec,LzoCodec,BZip2Codec,LzmaCodec)
    当采用map中间结果压缩的情况下,用户还可以选择压缩时采用哪种压缩格式进行压缩

reduce

优化场景

  • Map逻辑处理后数据被展开,写磁盘次数剧增,可以观察日志中的spill次数,调整各个参数

  • 中间结果能不展开就不展开,尽量缩小Mapper和reducer之间的数据传递

  • 处理速度很慢时候首先要怀疑Mapper和Reducer之间传输数据量过大

  • 观察GC的情况,有时候是因为内存占用量高,频繁GC,严重影响处理速

  • 适当控制mapper的数量,特别是有distribute cache的场景

  • distribute cache

    • 加载的数据能不用hashmap就尽量不要用,hashmap会使得内存占用量是原数据的5-10倍。
    • 加载的数据要尽可能简单,如果有复杂的处理逻辑可以单独开辟Mapper Reducer进行一轮处理
    • 避免每次mapper都要处理一遍,尽可能减少distribute cache的数据量

hadoop配置说明

tasktracker.http.threads:

决定作为server端的map用于提供数据传输服务的线程数  
复制代码

mapred.reduce.parallel.copies:

决定作为client端的reduce同时从map端拉取数据的并行度(一次同时从多少个map拉数据)
复制代码

hive

notice

  • hive 查询,字段无法进行单引号比较,如p8='2',无法查到数据

    当某一字段数据全是纯数字字符串的时候,它会自动转成数字去做比较。

  • 10位的时间戳值,即1970-1-1至今的秒,可以用from_unixtime()转为时间,而13位的所谓毫秒的是不可以的;from_unixtime(cast(substring(t3.time ,1,10)as BIGINT), 'yyyyMMdd HH:mm:ss')

  • insert overwrite/into table 只会有mapjob,没有reducejob

  • 增加reduce数目

    1. set hive.exec.reducers.bytes.per.reducer=500000000;
    2. set mapred.reduce.tasks = 15;
  • 设置reduce的文件大小
    set hive.merge.size.per.task = 10000000; set hive.merge.mapfiles=false; set hive.groupby.skewindata=true;

hql

  • desc tablename;

  • show partitions tablename;

  • 修改表名

    alter table oldname rename to newname;

  • 增加列

    alter table tablename add columns (c1 type, c3 type);

  • hive增加分区映射到文件

    alter table tablename drop if exists partition(dt='20171130');
    alter table tablename add if not exists partition(dt='20171130') location 'path';

  • 修改表的分割字符

    alter table tablename set SERDEPROPERTIES('field.delim'='\t');

  • 修改字段顺序

    alter table tablename change column cololdname colnewname coltype after colname2;

hive 和hadoop 配置说明

hive 配置说明

hadoop 配置说明

mapred.compress.map.output ##指定map的输出是否压缩。有助于减小数据量,减小io压力,但压缩和解压有cpu成本,需要慎重选择压缩算法。

mapred.map.output.compression.codec ##map输出的压缩算法

mapred.output.compress ##reduce输出是否压缩

mapred.output.compression.codec ##控制mapred的输出的压缩的方式

hive.exec.compress.intermediate=true; ##hive中间数据压缩

set hive.exec.compress.intermediate=true;
set mapred.map.output.compression.codec= org.apache.hadoop.io.compress.SnappyCodec set mapred.map.output.compression.codec=com.hadoop.compression.lzo.LzoCodec;

set hive.exec.compress.output=false;

hive reduce最终数据不压缩

set hive.exec.compress.output=true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;

set hive.merge.smallfiles.avgsize=256000000; ###设置输出文件的平均值

hive Job 细节优化

  • map

set mapred.min.split.size=1;
set mapred.max.split.size=256000000;

  • reduce

set mapred.reduce.tasks=100;--直接指定Reduce个数
set mapred.exec.reducers.bytes.per.reducer=1G;

  • map 与reduce过程中

set io.sort.mb;--增大Mapper输出buffer的大小,避免Spill的发生
set io.sort.factor;--一次性能够合并更多的数据
set sort mapred.reduce.slowstart.completed.maps=0.05;--Reduce端copy的进度
set mapred.reduce.parallel.copies;--可以决定作为client端的Reduce同时从Map端拉取数据的并行度

  • 文件格式

set hive.default.fileformat = SequenceFile;
set hive.exec.compress.output = true;

对于sequencefile,有record和block两种压缩方式可选,block压缩比更高

set mapred.output.compression.type = BLOCK;
set hive.hadoop.supports.splittable.combineinputformat=true;--小文件合并

  • Job 整体优化
    • job 执行模式

set hive.exec.mode.local.auto;--自动开启local mr模式
set hive.exec.mode.local.auto.tasks.max;--文件数量
set hive.exec.mode.local.auto.inputbytes.max;--数据量大小

  • jvm重用

set mapred.job.reuse.jvm.num.tasks=5;--一个jvm运行多次任务之后再退出

  • 索引
  • join

set hive.auto.convert.join = true;

Hive会自动判断当前的join操作是否合适做Map join

  • 数据倾斜

set hive.map.aggr=true;
set hive.groupby.skewindata;

Reduce操作的时候,拿到的key并不是所有相同值给同一个Reduce,而是随机分发,然后Reduce做聚合,做完之后再做一轮MR,拿前面聚合过的数据再算结果

  • sql 整体优化
    • job 并行
      set hive.exec.parallel = true; set hive.exec.parallel.thread.number;

    • 减少Job数
      group by 代替 join


你可能感兴趣的:(大数据,运维,java)