董西城问答整理：第二课

一、spark-shell在namenode的stand-by节点执行会报sparkContext出错，然后到active的namenode的机器起spark-shell就可以了。为什么这样
你程序里有写hdfs地址了吗？需要写为逻辑名

二、hadoop集群中有5个节点，其中1个主节点，1个备用节点，3个数据节点（数据节点上有日志节点），分配内存的时候，主备节点各分配了64G，数据节点各分配了12G，请问董老师，这样分配合理么？是不是随着数据的不断增多，主备节点的内存消耗会成线性增长？
ps：平时datanode节点内存消耗平均保持在8G左右，主节点目前已经占用了8G多。
随着数据的增多，内存占用量必然增多，你的集群应该不是问题，因为节点数目太小了！64GB内存绰绰有余，现在主节点占用内存为8GB，后面再加数据并不会线性增长。 你所说的数据结点仅仅是datanode吗，nodemanager计算节点呢，对于数据结点，12GB内存太多了，调小点，4GB就够了。你现在datanode内存使用是8GB，如果调整4GB，内存使用就是4G，这是因为JAVA GC策略没有设置，你现在给datanode多少内存，他能消耗多少！

三、Scala中方法调用时，什么时候可以省略掉“.”？
只有一个参数的方法，比如1.+(2)可以写为1 + 2

四、driver 不需要计算，要的内存是用来干嘛的？一般是不是需要比较小的内存就ok？
只有调用sc.的代码才会交给spark分布式去执行，其他的仍在你driver本机执行

五、driver 不需要计算，要的内存是用来干嘛的？一般是不是需要比较小的内存就ok？
只有调用sc.的代码才会交给spark分布式去执行，其他的仍在你driver本机执行
1、driver需要广播一个变量。
2、driver还需要接收各个Executer返回的数据，需要在driver端对其做聚集，合并或可视化等。
在以上情况下，数据非常大的话较小的内存是不行的。

六、如果不用maven，直接在程序中设置参数以及打包可以运行吗？
可以，但是无法自动化做啊，你这个每次需要人工做

七、时间可能比较赶，我比较想看到 老师在IDEA上直接操作 多种模式，因为本人在IDEA提交spark程序的时候，yarn-client模式会报错，其他模式没有问题！
这是某位同学的提问，请大家注意，IDEA中只能运行local模型，其他分布式模式无法在idea中运行，必须采用命令行方式提交，这是由于分布式模式下，必须要分发jar包，idea中不能自动打包分发jar包！

八、在yarn-client模式下，client提交的job，driver在client端，那App master上运行的是什么？
App master会与yarn的ResourceManager通信， 申请资源来运行executor。Spark作业跟yarn申请资源的代理。

九、yarn-cluster模式如果driver挂了，重启的话任务会完全重新启动吗？
此模式下，driver运行在集群里面，如果driver挂了，ResourceManager会重新启动，这是一个全是driver，已经运行的task会被重新调度和运行。用户不需要再干预。

十、之前董老师讲课的时候讲到过中搜的日志统计与分析系统，它的可视化是怎么实现的呢？ 现在做可视化用什么工具比较好？
推荐三个：
开源的：百度开源的
Dcharts：http://echarts.baidu.com
D3.js: https://d3js.org/
商用的：tableau

十一、Spark 从HDFS中创建RDD时，并行度（Partitions）是如何定的？
有几个block就会有几个partitoin。spark内部实现会进一步讲解。

十二、分布式估算Pi时，val x = random * 2 - 1，random具体指的是什么？
random是scala的库函数，随机产生0-1之间的double类型的数字。

十三、数据库连接对象、es的连接对象能否放入到广播中吗？我现在是把连接字符串放入到广播中，然后在rdd中创建数据库连接对象。对象使用的是单例。您是否有什么好的方式创建这些对象呢？
不能广播，因为连接的对象不能序列化。

十四、1.算pi值的那个例子中，有slices，这个跟配置文件中的线程数有关系吗？
2.pom.xml中写的是参数配置吗？如果写在pom里了，在执行jar包的时候还用加上参数吗
谢谢
slices表示task数目，配置文件中的线程数表示可以同时跑的task数目，比如slices=100， 线程数是10；不建议把参数写到pom.xml中，建议提交的时候指定，因为参数经常变动，而jar包不会经常生成

十五、一张表，如果其中有些数据会删除或者增加变动，也可以用cache吗，做实时计算的时候
可以cache。如果有变动，需要重新cache。

十六、如何提高spark读取hbase的效率？

增加过滤条件，只读取需要的列；增加cache等，具体参考hbase优化