Zlatan Eevee

EC2虚机需要装jekyll NGINX EC2的安全组 DNS解析 百度加速乐 之前BLOG一直使用的是github pages托管的，好处是只要git push一把就可以使用pages的jekyll功能自动编译了，并且github的CDN也不错，从大陆访问速度也还可以接受。但不好的地方是，github的pages不支持jekyll-archives，导致BLOG的tag和category都不能使用，相对来说不太方便，特别是tag。另外github把百度的爬虫给禁掉了，无法...

主流程 PicProcess类 图片处理 执行结果 前面三篇文章介绍了S3以及如何使用Hadoop和Spark处理S3上的文本文件，但毕竟我们使用S3的目的是为了处理非结构化文件（图片，视频）。本文介绍了如何使用Spark处理存储在S3某一个bucket里大量文件（实际我只放了很少几张图片）的方法。由于我不了解图片处理算法，所以图片的处理只是简单读取了该图片的长度、宽度、拍摄时间、拍摄地点等信息。至于更复杂的图像处理、视频处理，如车牌识别，如果图像处理算法是纯JAVA的实现，那只...

spark-shell Spark SQL Spark的DataSource支持S3和Swift，考虑到Ceph也提供了S3和Swift的API，而C++的效率也是Python难以望其项背的，所以Spark+Ceph(S3 Service)可能是一个比较合适的方案。 如果想试试Spark with Swift，可以参考Accessing OpenStack Swift from Spark这篇文章，这里不再涉及。 spark-shell Spark shell在启动前，需要保证HD...

Hadoop配置S3集成 Signature V2/V4 Hadoop与S3的集成可以参考官方说明。我在这里被s3/s3n/s3a给搞混淆了，实际上对于AWS来说，只有s3协议，但是hadoop由于历史原因，逐步实现了s3->s3n->s3a三种访问S3服务的协议，支持的文件也越来越大。由于我们使用的是自建S3 Service，而只有s3a支持设置endpoint，虽然号称“仍有bug”，但也只能硬着头皮上了。 Hadoop配置S3集成 修改core-site.xml，增...

S3 Ceph/Demo的安装 minio 我们需要用spark来处理图片、视频，这种数据用HDFS来存储很不合适，在我看来主要有两个问题： HDFS的block size一般为64MB或者128MB，但图片一般可能1MB左右，浪费空间 图片文件的数量可能很大，对NameNode的内存会是个挑战 针对交通卡口的图片，国内有公司是使用HBase做的存储，用Spark来处理。HBase默认一个Cell的大小是64KB，需要根据实际情况调整为1MB或者2MB。但HBase实...

假设场景：用户使用beeline或者其他JDBC客户端，通过Spark Thrift server的JDBC服务，来访问MySQL。一般来说，直接通过JDBC来访问MySQL，可以肯定其数据量不大（无论是从MySQL读还是写到MySQL），否则应该将MySQL的数据导入到Hive库中（当然可以使用create table xxx stored as parquet as select * from jdbc_table_X将数据写到hive表里，但体验并不好，基本等同于单线程）。 1.6.1版本可以...

调试Spark支持S3作为DataSource的时候，需要改下hadoop-aws这个包，所以编译了一把Hadoop，具体步骤可以参考这个韩国人的文章，包括centos和ubuntu两个操作系统的说明。注意Hadoop编译需要cmake/make/protoc/libssl等。我的操作系统是ubuntu，直接照抄下面即可（相对韩国人我删掉了 -Drequire.snappy参数）。 # sudo apt-get install maven libssl-dev build-essential pkg...

进入CentOS 7以后，网络方面变化比较大，例如eth0不见了，ifconfig不见了，其原因是网络服务全部都由NetworkManager管理了，下面记录下今天下午用nmcli配置的网卡聚合，网络上资料比较多，这里仅记录以备忘，更详细的说明可以参考rhel7和centos7使用nmcli命令管理配置网络。 CentOS7使用ip link代替ifconfig命令，使用teamd处理双网卡聚合，使用nmcli命令行配置网络。 实战发现team driver在重启时会有些问题，会漏掉设置混杂模式(...

我有一台很古老的IBM ThinkPad笔记本，900MHZ的CPU，512MB内存，30GB硬盘，想必现在的小朋友都只在书里看到过吧。这个本基本放着吃灰，偶尔通上电开起来缅怀下，不过它的硬盘实在太老旧，有不少坏区，双系统之一的XP（是的你没看错，30GB也双系统）已经进不去了，只能进debian，勉强作为命令行工具（然而并不会）。 昨天晚上拿螺丝刀拆了一把，十年了所有的螺丝还能拧得动，确实佩服。CPU的硅胶还有一丢丢，风扇里倒是满是灰。把硬盘拆了出来，尝试换块新硬盘上去。因为光驱已经完全不能读盘了...

Spark调度分几个层次？ 两层。 第一层，Spark应用间：Spark提交作业到YARN上，由YARN来调度各作业间的关系，可以配置YARN的调度策略为FAIR或者FIFO。 这一层可以再分两层，第一小层是YARN的队列，第二小层是队列内的调度。Spark作业提交到不同的队列，通过设置不同队列的minishare、weight等，来实现不同作业调度的优先级，这一点Spark应用跟其他跑在YARN上的应用并无二致，统一由YARN公平调度。比较好的做法是每个用户单独一个队列，这种配置FAIR调度就...