首页 文章 精选 留言 我的

精选列表

搜索[apache storm],共10000篇文章
优秀的个人博客,低调大师

Apache Spark 2.0 最快4月亮相 预计效能翻九倍

1月才刚释出1.6版的大数据技术Spark,下一个2.0版本预计4、5月释出,将提供可运行在SQL/Dataframe上的结构化串流即时引擎,并统一化Dataset及DataFrame 大数据技术Spark今年1月才刚释出1.6版,下一个2.0版本就已经蓄势待发,预计今年4、5月释出,近日Spark创办人、同时也是 Databricks技术长的Matei Zaharia,更在2016 Spark Summit上,抢先揭露了Spark 2.0即将带来的3大主要特色:包括能大幅提升Spark平台效能的Project Tungsten即将进入第二阶段,提供涵盖完整阶段的程式码产生器,Spark 2.0也将提供可运行在SQL/Dataframe上的结构化串流即时引擎,并统一化Dataset及DataFrame。 其中,持续改善Spark应用程式的记忆体及CPU效能的Project Tungsten,是一项帮助Spark大幅提升核心引擎效能的长期专案,目的是要让Spark执行效能达到硬体设备的极限,藉由内建原生记忆体管理机制以及Runtime层级的程式码产生器,来达到接近裸机的效能。 Spark从1.4到1.6版本时,便开始靠 Tungsten来优化Spark的资料处理效能,除了加入二进位的储存方式,以及基础的程式码产生器,也增加了用来描述RDD结构的DataFrame 格式,以及新的资料集API(Dataset API),让Tungsten可被运行在使用者专案中来提升效能表现,也可用于Spark SQL及部分的MLlib上。Spark 1.6新增了基于DataFrame的扩充元件Dataset API,相较于过去的RDD API,Dataset提供更好的记忆体管理效能,及较佳的长时间执行效能。 而Spark2.0版本则将进一步提供涵盖完整阶段的程式码产生器,不仅能移除递迴式呼叫,减少效能损耗,还能进行跨运算子之间的整合,并藉由Parquet及内建快取(Built-in Cache)来优化I/O效能。 预计Spark2.0的效能将翻9倍,从1.6版时每秒可处理的1,400万个栏位,暴增到1亿2,500万,其中的Parquet效能,也将从每秒1,100万提升到每秒9,000万笔。Databricks表示,Spark技术在2015年有非常显著的成长,其贡献者在2015年已经超过 1000人,是2014年的2倍,参与各地区定期聚会的会员数量也从1万多人暴增至6万多人。而Spark 2.0将是下一个重大更新版本,预计今年4、5月释出。 本文作者:佚名 来源:51CTO

优秀的个人博客,低调大师

Apache Spark机器学习.1.6 机器学习工作流和Spark pipeline

1.6 机器学习工作流和Spark pipeline 在本节中,我们介绍机器学习工作流和Spark pipeline,然后讨论Spark pipeline作为机器学习计算工作流的优秀工具是如何发挥作用的。 学习完本节,读者将掌握这两个重要概念,并且为编程和实现机器学习工作流的Spark pipeline做好准备。 机器学习的工作流步骤 几乎所有的机器学习项目均涉及数据清洗、特征挖掘、模型估计、模型评估,然后是结果解释,这些都可以组织为循序渐进的工作流。这些工作流有时称为分析过程。 有些人甚至定义机器学习是将数据转化为可执行的洞察结果的工作流,有些人会在工作流中增加对业务的理解或问题的定义,以作为他们工作的出发点。 在数据挖掘领域,跨行业数据挖掘标准过程(CRISP-DM)是一个被广泛接受和采用的标准流程。许多标准机器学习的工作流都只是CRIS

优秀的个人博客,低调大师

Kafka Topic 扩容后,Apache SeaTunnel 不重启也能消费新分区数据

## 一、场景 在一个SeaTunnel使用流任务获取Kafka topic中的数据时,如果topic从2 个分区扩到了4个分区。结果呢?新分区里的数据,任务一条都消费不到——除非把任务重启一遍。 因为 SeaTunnel 的 Kafka source 默认只会在任务启动时扫描所有分区。 虽然重启可以重新扫描分区,但是还是会有一下问题 - 重启期间整个任务暂停,如果使用checkpoint还原,可能会有数据遗漏; - start_mode = earliest时,重启后所有分区从头消费,历史数据重放一遍,会有重复数据。 SeaTunnel 官方提供了 partition-discovery.interval-millis 参数:定时扫描 Kafka,发现新分区自动纳入消费,任务不用重启。 ## 二、实战 ### 1、环境准备 - Kafka 集群 - SeaTunnel 2.3.12 ### 2、创建 2 分区的 topic ``` bin/kafka-topics.sh --create --topic ksource \ --bootstrap-server ip:9092 \ --partitions 2 --replication-factor 1 ``` ### 3、编写 SeaTunnel 流任务配置(job/k.conf) 关键配置就三个点: job.mode = "STREAMING" 显式开启 checkpoint.interval ``` partition-discovery.interval-millis = 5000。 env { parallelism = 2 job.mode = "STREAMING" checkpoint.interval = 5000 } source { Kafka { bootstrap.servers = "ip:9092" topic = "ksource" consumer.group = "seatunnel_k_group" partition-discovery.interval-millis = 5000 start_mode = "EARLIEST" format = "json" schema = { fields { id = INT cusname = STRING amount = DOUBLE } } } } sink { Console {} } ``` 说明: * partition-discovery.interval-millis = 5000:每 5 秒扫描一次 Kafka,发现新分区; * start_mode = EARLIEST:发现新分区时,从最早开始消费。 * schema 字段类型:INT、STRING、DOUBLE 都是基础类型,直接写即可。 ### 4、启动任务,先验证正常消费 启动 SeaTunnel 任务(本地模式): ``` bin/seatunnel.sh --config job/k.conf -m local ``` 另开一个终端,往 ksource 生产 3 条消息(扩容前 topic 只有 2 个分区,消息轮询分布到 0/1): ``` bin/kafka-console-producer.sh --broker-list ip:9092 --topic ksource ``` 输入(每行一条): ``` {"id":1,"cusname":"张三","amount":100.50} {"id":2,"cusname":"李四","amount":200.00} {"id":3,"cusname":"王五","amount":300.00} ``` 任务控制台出现对应输出,说明消费正常。 ### 5、执行扩容:2 分区 → 4 分区 ``` bin/kafka-topics.sh --alter --topic ksource \ --bootstrap-server ip:9092 \ --partitions 4 ``` 确认结果: ``` bin/kafka-topics.sh --describe --topic ksource \ --bootstrap-server ip:9092 ``` ### 6、生产数据,看新分区是否被消费 继续往 ksource 生产 6 条消息(不指定 key,轮询会分布到全部 4 个分区,其中约一半落到新分区 2/3): ``` bin/kafka-console-producer.sh --broker-list ip:9092 --topic ksource ``` 输入: ``` {"id":4,"cusname":"赵六","amount":400.00} {"id":5,"cusname":"孙七","amount":500.00} {"id":6,"cusname":"周八","amount":600.00} {"id":7,"cusname":"吴九","amount":700.00} {"id":8,"cusname":"郑十","amount":800.00} {"id":9,"cusname":"钱十一","amount":900.00} ``` 任务控制台陆续输出这 6 条消息——包括落在新分区 2/3 上的消息。任务没有重启,新分区的数据被自动消费了。 ### 7、对比实验:不配动态发现会怎样 把配置里的 partition-discovery.interval-millis 删掉,重复第 4~6 步: * 扩容前生产的消息:正常消费; * 扩容后生产、落在新分区 2/3 上的消息:永远不出现; * 只有重启任务,新分区的数据才会被消费。 两种配置的差异一览: ![](https://developer.qcloudimg.com/http-save/yehe-11851421/ff822313d3a164e601e1006988c09375.jpg) ## 三、注意事项 1. 新分区消费位置由 start_mode 决定:新分区没有 checkpoint 位点,earliest会把新分区从最早开始消费(分区里有存量数据的话会被全部读一遍);latest只消费新数据。 2. 间隔别设太小:每次扫描都会对 Kafka 集群发送元数据请求,值越小,发现得越快、集群压力越大。一般 5 秒起步,分区变更不频繁的可以放到 30~60 秒。 3. 分区只能增不能减:Kafka 不支持缩减分区(会丢数据)。 4. 扩容会触发消费者重平衡:分区数变化时,消费者组重新分配分区,消费短暂抖动,属正常现象。 5. 旧分区数据不受影响:动态发现只解决"新分区",旧分区继续按 checkpoint 位点消费,不会重读。 6. 带精度的类型必须加引号: decimal(10,2)、array、map 这类含逗号/尖括号的类型声明都要加双引号,否则 HOCON 解析直接报错。 ## 四、总结 partition-discovery.interval-millis 解决的是"Kafka topic 动态扩容"场景下的自动感知问题:配一个正数间隔,SeaTunnel 流任务就能在运行期间定时发现新增分区并自动消费,不用重启、不丢数据、不重放历史。 配套的三个点记住就行:流模式 + 开 checkpoint + 间隔设为正数。新分区的起点看 start_mode,扫描频率和集群负载之间自行权衡。 来源 | 数仓生态圈

资源下载

更多资源
腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称,一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集,帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册