鲜花朵朵，芬芳迷人，争奇斗艳。谁能不爱这么美的花？尤其是花中之王—-牡丹。五六月份的夏天，在太阳的爆晒下，牡丹花欣然怒放，释放出迷人的花香，向我们落出灿烂的笑容，展示着自己的美丽。
牡丹花长得玲珑秀丽。它的花蕊像一个个黄黄的小瓜子儿围成一个圆，每一朵牡丹花都很长得枝繁叶茂，尤其是五六月的夏天，所有牡丹都花团锦簇，姿势优美，有的昂头挺胸，傲然挺立；有的掩藏于绿叶之间窃窃私语，有的迎风怒放，摇曳生姿….…当然，最美的要数艳红色的千层牡丹了，它的花蕊是金黄色的，散发出阵阵令人陶醉的芳香。花瓣像一层层红色的轻纱叠在一起，让人数不清到底有多少层，所以它称为“千层牡丹”。每一朵牡丹都好像一件精美别致的艺术品挺立在世上，有风姿，更有傲骨。
牡丹花不仅长得玲珑秀丽，还颜色丰富。有雪白的;有紫色的;有淡黄的，有深红的……它的红色不像玫瑰一样红的太浓，不自然，而是有着明显的渐变，有层次感，非常好看。
它开得热烈，也象征着热烈。它曾被尊为我国国花，因为它吉祥富贵优雅，繁荣昌盛。我望着在那么炎热的天开放，还坚强的抬头挺胸，傲然挺立的牡丹花，相信我们的国家也会像这国色天香的牡丹一样热烈奔放，繁荣昌盛。
读《慢性子裁缝和急性子顾客》有感
故事发生在冬天，一个急性子顾客请慢性子裁缝做件棉袄，裁缝说要到明年冬天才能做完，他不耐烦地跟顾客说这么做的道理，于是做衣服的事就这样说定了。结果为了早点穿上它，急性子的顾客连续三天跟裁缝更改约定，把棉袄改为夹袄、短袖衬衫、春装。可他发现裁缝还没有开始裁料，他很生气。
我看了这个故事，觉得慢性子裁缝不会合理地安排时间，遇到事情一拖再拖，不讲效率，最终让顾客不满；而急性子顾客还没有真正想清楚自己想要的是什么，就急切地行动，因此朝令夕改，也让人无所置从。这两个人的做法都不可取。我们做事应要先规划好，要不急不躁、有条不紊，否则将会一事无成。
记得有一次出去玩，我的妈妈起床太晚了，打开手机一看，就急急忙忙地收拾东西出发了，结果到了景区，发现景区当天在停业整顿，我们很尴尬。跟故事中的顾客一样，最终一件事都没做好。假如她能提前了解景区的开放时间，做好规划，那结果就会完全不一样了。
我认为，如果要做好一件事情，要提前做好计划，要分几个步骤完成有每个步骤完成的时间点，在这过程中千万不要急于求成，要一步一个脚印踏踏实实完成每个任务，这样才能获得成功，
blackbox黑盒监控主机存活，网络时延
有时候，在一个集群网络中，需要持续关注各个边缘节点的网络性能，以保证能够持续提供高可靠性的服务，因此需要有一个工具能够提供持续探测主机存活，网络时延的机制。
Blackbox Exporter 是 Prometheus 社区提供的官方黑盒监控解决方案，其允许用户通过：HTTP、HTTPS、DNS、TCP 以及 ICMP 的方式对网络进行探测。本章节主要讲述blackbox ICMP主机探活机制，其本质主要是通过ping命令来检测目的主机的连通性。
Blackbox配置：
1 | icmp: |
timeout代表探测的超时时间，重点关注preferred_ip_protocol: ip4配置，因为默认是使用ipv6地址探测，从而导致探测失败。
Blackbox容器部署配置，因为默认alpine基础镜像普通用户是不支持ping操作的，所以需要加上root用户权限
1 | securityContext: |
prometheus scrape配置如下， 这里的测试环境中，80.80.130.[79-81]这3个节点的网络是正常的，构造了一个不存在的节点80.80.130.200来测试联通性。
1 | - job_name: 'kubernetes-probe-ping-status' |
查看prometheus结果， 可以看到正常节点的网络时延，80.80.130.200因为网络不通，所以2s超时了。
HDFS架构
HDFS 采用Master/Slave的架构来存储数据，这种架构主要由四个部分组成，分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分
1、Client：就是客户端。
- 文件切分。文件上传 HDFS 的时候，Client 将文件切分成 一个一个的Block，然后进行存储。
- 与 NameNode 交互，获取文件的位置信息。
- 与 DataNode 交互，读取或者写入数据。
- Client 提供一些命令来管理 HDFS，比如启动或者关闭HDFS。
- Client 可以通过一些命令来访问 HDFS。
2、NameNode：就是 master，它是一个主管、管理者。
- 管理 HDFS 的名称空间
- 管理数据块（Block）映射信息
- 配置副本策略
- 处理客户端读写请求。
3、DataNode：就是Slave。NameNode 下达命令，DataNode 执行实际的操作。
- 存储实际的数据块。
- 执行数据块的读/写操作。
4、Secondary NameNode：并非 NameNode 的热备。当NameNode 挂掉的时候，它并不能马上替换 NameNode 并提供服务。
- 辅助 NameNode，分担其工作量。
- 定期合并 fsimage和fsedits，并推送给NameNode。
- 在紧急情况下，可辅助恢复 NameNode。
HDFS特性
优点：
1、高容错性
- 数据自动保存多个副本。它通过增加副本的形式，提高容错性。
- 某一个副本丢失以后，它可以自动恢复，这是由 HDFS 内部机制实现的，我们不必关心。
2、适合批处理
- 它是通过移动计算而不是移动数据。
- 它会把数据位置暴露给计算框架。
3、适合大数据处理
- 处理数据达到 GB、TB、甚至PB级别的数据。
- 能够处理百万规模以上的文件数量，数量相当之大。
- 能够处理10K节点的规模。
4、流式文件访问
- 一次写入，多次读取。文件一旦写入不能修改，只能追加。
- 它能保证数据的一致性。
5、可构建在廉价机器上
- 它通过多副本机制，提高可靠性。
- 它提供了容错和恢复机制。比如某一个副本丢失，可以通过其它副本来恢复。
缺点：
1、低延时数据访问
- 比如毫秒级的来存储数据，这是不行的，它做不到。
- 它适合高吞吐率的场景，就是在某一时间内写入大量的数据。但是它在低延时的情况下是不行的，比如毫秒级以内读取数据，这样它是很难做到的。
2、小文件存储
- 存储大量小文件(这里的小文件是指小于HDFS系统的Block大小的文件（默认64M）)的话，它会占用 NameNode大量的内存来存储文件、目录和块信息。这样是不可取的，因为NameNode的内存总是有限的。
- 小文件存储的寻道时间会超过读取时间，它违反了HDFS的设计目标。
3、并发写入、文件随机修改
- 一个文件只能有一个写，不允许多个线程同时写。
- 仅支持数据 append（追加），不支持文件的随机修改。
我的植物朋友
世界上的花有千万种，但是我独爱樱花。我来介绍一下她吧！
樱花的气味非常独特。她拥抱着满怀的清香，令人陶醉。
樱花长得玲珑秀丽。她是先开花后长叶的。花每枝三到五朵，形状像一把把雨伞似的，在二三月时樱花满树如云似霞，非常引人注目。成簇的樱花挂满枝头，散发香气，那花蕊像一个个小水滴围起来似的。人们看到这幅景象，仿佛脚被勾住，恋恋不舍。
樱花不仅气味清香，长得玲珑秀丽，还有着绚丽多彩的颜色。有的粉红粉红的，有的是深红的，有的还是花骨朵儿，火红得像害羞的小姑娘的脸蛋一样红。她们的颜色丰富多彩，像画家画的水墨画一样，非常自然。
&emsp；记得有一次，我考试成绩不理想，满心的挫败和失望，当我看着这满树开的热烈的樱花，这旺盛的生命力一下子流到我的心田，我又振作了。樱花真是我的好朋友。
&emsp；除了这些，樱花还象征热烈，纯洁，高尚，被尊为日本国花。二三月的春日里，满树樱花在枝头傲人开放，仿佛一个个小巧玲珑、做工精细、白中透粉的喇叭，向人们宣扬春天的到来……我想我也会向樱花朋友学习，学习她的精神，她的品格。
GO本地编译&&离线编译
- 设置环境变量:打开本地代理（在线，可以下载依赖的module）
1
2export GOROOT=/home/go
export PATH=$PATH:$GOROOT/bin将本地下载的go module $GOROOT/bin/pkg 拷贝到离线服务器的 $GOROOT/bin/pkg 下1
2go env -w GO111MODULE=on
go env -w GOPROXY=https://goproxy.cn,direct
在离线服务器上设置1
go env -w GOPROXY=file:///$GOROOT/bin/pkg/mod/cache/download
- 编译命令：关闭安全性校验： go env -w GOSUMDB=off
1
2
3
4go build -o sql_exporter main.go
# alpine环境下运行编译命令
# alpine环境下运行需要go env -w CGO_ENABLED=0
CGO_ENABLED=0 go build -o sql_exporter main.go
SparkSQL数据倾斜性能优化
背景：
国内某大牌运营商话单数据量比较大，大概一天2T左右话单，标准话单一个小时需要处理9KW左右的话单量，标准话单处理任务在执行30分钟左右，报“too large frame”或者”Size exceeds Integer.MAX_VALUE”错误，无法正常生成标准话单数据。
1小时任务处理数据量：
OTT话单 ：9KW
8303话单：无
内容数据：1千万
节目数据：无
用户数据：7百万
栏目：3
频道数据：无
节目单，tvod: 无
产品信息：100
根因分析：
spark任务报这2个错，主要是发生在shuffle阶段，因为Spark对每个partition所能包含的数据大小有写死的限制（约为2G），当某个partition包含超过此限制的数据时，就会抛出这类异常。
造成此异常的主要原因有:
- 源数据太多，partition分区数太少，导致分配到每个partition上的数据量过多，超过阈值。
- 数据倾斜，某列的数据分布不均衡，当某个shuffle操作是根据此列数据进行shuffle时，就会造成整个数据集发生倾斜，即某几个partition包含了大量数据，并且其数据大小超过了Spark的限制，而其他partition只包含很少的数据。
解决方案：
- 通过调整spark.sql.shuffle.partitions，增加分区数。
- 消除数据倾斜。
spark join主要有以下两种方式：
a) Broadcast Hash Join ：当其中一个数据集足够小时，采用Broadcast Hash Join，较小的数据集会被广播到所有Spark的executor上，并转化为一个Hash Table，之后较大数据集的各个分区会在各executor上与Hash Table进行本地的Join，各分区Join的结果合并为最终结果。
Broadcast Hash Join 没有Shuffle阶段、效率最高。但为了保证可靠性，executor必须有足够的内存能放得下被广播的数据集，所以当进两个数据集的大小都超过一个可配置的阈值之后，Spark不会采用这种Join。控制这个阈值的参数为spark.sql.autoBroadcastJoinThreshold, 中默认值为10M。
b) Sort Merge Join: 将key相同的记录重分配同一个executor上，不同的是，在每个executor上，不再构造哈希表，而是对两个分区进行排序，然后用两个下标同时遍历两个分区，如果两个下标指向的记录key相同，则输出这两条记录，否则移动key较小的下标。
Sort Merge Join也有Shuffle阶段，因此效率同样不如Broadcast Hash Join。在内存使用方面，因为不需要构造哈希表，需要的内存比Hash Join要少。
所以数据倾斜一般发生在sort merge join过程，大表跟大表关联一般建议使用sort merge join，大表的数据倾斜，可以采用将倾斜键随机数(比如100以内的随机数), 另外一个表对应的键100这种以空间换效率的方式； 大表跟小表关联，一般建议将小表cache, 然后通过broadcast的方式分发到各executor中提高处理性能，而且也可以避免数据倾斜的情况。
排查和优化过程：
因为话单原始数据量比较大，一开始怀疑默认分区数200不够，调大到1000，spark.sql.shuffle.partitions=1000，问题没有解决。
检查报错的spark sql语句，主要集中在 OTT话单同时左关联用户数据（通过usercode字段字段关联），内容数据（通过contentcode字段关联），栏目数据（通过columncode字段关联），产品信息（通过productcode字段关联）这4个数据表，通过分析spark UI 的任务执行情况，确定应该是发生数据倾斜。
检查用户表里的usercode分布，发现10%话单中usercode为空，在ETL过滤掉usercode为空的话单后，问题没有解决； 非空的usercode基本上分布比较均匀。
检查内容数据的分布，发现top5的内容数据量都在1kw 左右，数据倾斜比较严重，但是小时话单经过排查后的内容数总共就12w左右，所以修改代码在关联之前将内容先过滤下，然后再cache table, 充分利用broadcast hash join的优势，不shuffle。将spark.sql.autoBroadcastJoinThreshold配置成500M, 但是经过调整后，问题还是没有解决，还是报同样的错误。凌晨数据量比较小的情况下，偶尔任务能够成功，但是发现生成的结果数据文件差异很大，大文件甚至能够达到5G左右。
通过对sql语句进行explain分析，发现左关联的内容表，栏目表等没有通broadcast hash join还是sort merge join， 怀疑创建的内容表，栏目表等临时表 cache方式有问题。
针对spark sql broadcast的条件, 于是做了以下的测试：
1 | create TEMPORARY view view1 asselect d.columncode,c.contentcodefrom vinsight_common_vd_vas_all_program_spark cleft join vinsight_common_vd_vas_all_column_spark don c.columncode=d.columncode;cache table cache1 as select d.columncode,c.contentcodefrom vinsight_common_vd_vas_all_program_spark cleft join vinsight_common_vd_vas_all_column_spark don c.columncode=d.columncode;create table tab1 asselect d.columncode,c.contentcodefrom vinsight_common_vd_vas_all_program_spark cleft join vinsight_common_vd_vas_all_column_spark don c.columncode=d.columncode;explain select/*+ MAPJOIN(b) */ a.usercode, b.contentcodefrom vinsight_common_md_fact_standardcdr_spark a |
总结:
cache1,view1 这2种方式生成的执行计划是一样的，但是这种临时表在跟大表左关联时，还是会从原来的临时表做分解，导致还是存在SortMergeJoin, shuffle过程的。
采用创建新表这种临时表方式，然后使用hint MAPJOIN明确使用boradcast方式可以广播小表。
最终修改sparksql为第二种方式后，任务运行结果文件比较均衡，基本上每个分区文件在50M以下，任务时间也控制在15分钟以内完成。
缺失模块。
1、请确保node版本大于6.2
2、在博客根目录（注意不是yilia根目录）执行以下命令：
npm i hexo-generator-json-content --save
3、在根目录_config.yml里添加配置：
jsonContent:
meta: false
pages: false
posts:
title: true
date: true
path: true
text: false
raw: false
content: false
slug: false
updated: false
comments: false
link: false
permalink: false
excerpt: false
categories: false
tags: true