怎么成为大数据Spark高手

怎么成为大数据Spark高手

这篇“怎么成为大数据Spark高手”文章的知识点大部分人都不太理解,所以小编给大家总结了以下内容,内容详细,步骤清晰,具有一定的借鉴价值,希望大家阅读完这篇文章能有所收获,下面我们一起来看看这篇“怎么成为大数据Spark高手”文章吧。

第一阶段:熟练的掌握Scala及java语言
  1. Spark框架是采用Scala语言编写的,精致而优雅。要想成为Spark高手,你就必须阅读Spark的源代码,就必须掌握Scala,;

    怎么成为大数据Spark高手

  2. 虽然说现在的Spark可以采用多语言Java、Python等进行应用程序开发,但是最快速的和支持最好的开发API依然并将永远是Scala方式的API,所以你必须掌握Scala来编写复杂的和高性能的Spark分布式程序;

  3. 尤其要熟练掌握Scala的trait、apply、函数式编程、泛型、逆变与协变等;

  4. 掌握JAVA语言多线程,netty,rpc,ClassLoader,运行环境等(源码需要)。

第二阶段:精通Spark平台本身提供给开发者API
  1. 掌握Spark中面向RDD的开发模式部署模式:本地(调试),Standalone,yarn等 ,掌握各种transformation和action函数的使用;

  2. 掌握Spark中的宽依赖和窄依赖以及lineage机制;

  3. 掌握RDD的计算流程,例如Stage的划分、Spark应用程序提交给集群的基本过程和Worker节点基础的工作原理等

  4. 熟练掌握spark on yarn的机制原理及调优


第三阶段:深入Spark内核

此阶段主要是通过Spark框架的源码研读来深入Spark内核部分:

  1. 通过源码掌握Spark的任务提交过程;

  2. 通过源码掌握Spark集群的任务调度;

  3. 尤其要精通DAGScheduler、TaskScheduler,Driver和Executor节点内部的工作的每一步的细节;

  4. Driver和Executor的运行环境及RPC过程

  5. 缓存RDD,Checkpoint,Shuffle等缓存或者暂存垃圾清除机制

  6. 熟练掌握BlockManager,Broadcast,Accumulator,缓存等机制原理

  7. 熟练掌握Shuffle原理源码及调优

第四阶级:掌握基于Spark Streaming

Spark作为云计算大数据时代的集大成者,其中其组件spark Streaming在企业准实时处理也是基本是必备,所以作为大数据从业者熟练掌握也是必须且必要的:

  1. Spark Streaming是非常出色的实时流处理框架,要掌握其DStream、transformation和checkpoint等;

  2. 熟练掌握kafka 与spark Streaming结合的两种方式及调优方式

  3. 熟练掌握Structured Streaming原理及作用并且要掌握其余kafka结合

  4. 熟练掌握SparkStreaming的源码尤其是和kafka结合的两种方式的源码原理。

  5. 熟练掌握spark Streaming的web ui及各个指标,如:批次执行事件处理时间,调度延迟,待处理队列并且会根据这些指标调优。

  6. 会自定义监控系统

第五阶级:掌握基于SparkSQL

企业环境中也还是以数据仓库居多,鉴于大家对实时性要求比较高,那么spark sql就是我们作为仓库分析引擎的最爱(浪尖负责的两个集群都是计算分析一spark sql为主):

  1. spark sql要理解Dataset的概念及与RDD的区别,各种算子

  2. 要理解基于hive生成的永久表和没有hive的临时表的区别

  3. spark sql+hive metastore基本是标配,无论是sql的支持,还是永久表特性

  4. 要掌握存储格式及性能对比

  5. Spark sql也要熟悉它的优化器catalyst的工作原理。

  6. Spark Sql的dataset的链式计算原理,逻辑计划翻译成物理计划的源码(非必须,面试及企业中牵涉到sql源码调优的比较少)


第六阶级:掌握基于spark机器学习及图计算

企业环境使用spark作为机器学习及深度学习分析引擎的情况也是日渐增多,结合方式就很多了:

java系:

  1. spark ml/mllib spark自带的机器学习库,目前也逐步有开源的深度学习及nlp等框架(spaCy,CoreNLP,OpenNLP,Mallet,GATE,Weka,UIMA,nltk,gensim,Negex,word2vec,GloVe)

  2. 与DeepLearning4j目前用的也比较多的一种形式

python系:

  1. pyspark

  2. spark与TensorFlow结合

第七阶级:掌握spark相关生态边缘

企业中使用spark肯定也会涉及到spark的边缘生态,这里我们举几个常用的软件框架:

  1. hadoop系列:kafka,hdfs,yarn

  2. 输入源及结果输出,主要是:mysql/redis/hbase/mongod

  3. 内存加速的框架redis,Alluxio

  4. es、solr

第八阶级:做商业级别的Spark项目

通过一个完整的具有代表性的Spark项目来贯穿Spark的方方面面,包括项目的架构设计、用到的技术的剖析、开发实现、运维等,完整掌握其中的每一个阶段和细节,这样就可以让您以后可以从容面对绝大多数Spark项目。

第九阶级:提供Spark解决方案
  1. 彻底掌握Spark框架源码的每一个细节;

  2. 根据不同的业务场景的需要提供Spark在不同场景的下的解决方案;

  3. 根据实际需要,在Spark框架基础上进行二次开发,打造自己的Spark框架;

以上就是关于“怎么成为大数据Spark高手”这篇文章的内容,相信大家都有了一定的了解,希望小编分享的内容对大家有帮助,若想了解更多相关的知识内容,请关注恰卡编程网行业资讯频道。

发布于 2022-01-14 22:30:49
收藏
分享
海报
0 条评论
28
上一篇:.NET for Apache Spark 1.0有哪些功能 下一篇:生产制造ERP对企业造成有什么影响
目录

    0 条评论

    本站已关闭游客评论,请登录或者注册后再评论吧~

    忘记密码?

    图形验证码