- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在进行一个研究项目,我在 Google Cloud Platform 上安装了完整的数据分析管道。我们使用 HyperLogLog on Spark 实时估算每个 URL 的唯一访问者。我使用 Dataproc 来设置 Spark 集群。这项工作的一个目标是根据集群大小测量架构的吞吐量。 Spark集群有三个节点(最小配置)
使用 Java 编写的自己的数据生成器模拟数据流,其中我使用了 kafka 生产者 API。架构如下所示:
数据生成器 -> Kafka -> Spark Streaming -> Elasticsearch。
问题是:当我增加我的数据生成器每秒产生的事件数量时,它超过了约 1000 个事件/秒,我的 Spark 作业中的输入速率突然崩溃并开始发生很大变化。
正如您在 Spark Web UI 的屏幕截图中看到的那样,处理时间和调度延迟保持不变,同时输入速率下降。
我用一个完整的简单 Spark 作业对其进行了测试,该作业仅进行简单的映射,以排除 Elasticsearch 写入缓慢或作业本身存在问题等原因。 Kafka 似乎也能正确接收和发送所有事件。
此外,我还试验了 Spark 配置参数:spark.streaming.kafka.maxRatePerPartition
和 spark.streaming.receiver.maxRate
结果相同。
有人知道这里出了什么问题吗?这似乎真的取决于 Spark Job 或 Dataproc……但我不确定。所有 CPU 和内存利用率似乎都还不错。
编辑: 目前我有两个关于该主题的 kafka 分区(放在一台机器上)。但我认为 Kafka 即使只有一个分区也应该处理超过 1500 个事件/秒。问题还出在我实验开始时的一个分区上。我使用没有接收器的直接方法,因此 Spark 从主题中同时读取两个工作节点。
编辑 2: 我发现了导致这种不良吞吐量的原因。我忘了在我的架构中提到一个组件。我使用一个中央 Flume 代理通过 netcat 通过 log4j 记录来 self 的模拟器实例的所有事件。这个flume agent是性能问题的原因!我通过 disruptor 更改了 log4j 配置以使用异步记录器 ( https://logging.apache.org/log4j/2.x/manual/async.html )。我将 Flume 代理扩展到更多 CPU 内核和 RAM,并将 channel 更改为文件 channel 。但它仍然有不好的表现。没有效果...还有其他想法如何调整 Flume 性能吗?
最佳答案
鉴于信息量稀少,很难说。我会怀疑内存问题 - 在某些时候,服务器甚至可能开始交换。因此,检查所有服务器上的 JVM 内存利用率和交换事件。 Elasticsearch 应该能够处理大约 15.000 条记录/秒,只需稍作调整。检查服务器上的空闲和已提交 RAM。
关于elasticsearch - GCP/Dataproc 上 Kafka、Spark、Elasticsearch 堆栈的吞吐量,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38563416/
我在这里有一个问题,我不知道这是否正常。 但是我认为这里有些湖,安装插件elasticsearch-head之后,我在浏览器中启动url“http://localhost:9200/_plugin/h
我写了这个 flex 搜索查询: es.search(index=['ind1'],doc_type=['doc']) 我得到以下结果: {'_shards': {'failed': 0, 'skip
在ElasticSearch.Net v.5中,存在一个属性 Elasticsearch.Net.RequestData.Path ,该属性在ElasticSearch.Net v.6中已成为depr
如何让 elasticsearch 应用新配置?我更改了文件 ~ES_HOME/config/elasticsearch.yml 中的一个字符串: # Disable HTTP completely:
我正在尝试使用以下分析器在 elastic serach 7.1 中实现部分子字符串搜索 PUT my_index-001 { "settings": { "analysis": {
假设一个 elasticsearch 服务器在很短的时间内接收到 100 个任务。有些任务很短,有些任务很耗时,有些任务是删除任务,有些是插入和搜索查询。 elasticsearch 是如何决定先运行
我需要根据日期过滤一组值(在此处添加字段),然后按 device_id 对其进行分组。所以我正在使用以下东西: { "aggs":{ "dates_between":{ "fi
我在 Elasticsearch 中有一个企业索引。索引中的每个文档代表一个业务,每个业务都有business_hours。我试图允许使用星期几和时间过滤营业时间。例如,我们希望能够进行过滤,以显示我
我有一个这样的过滤查询 query: { filtered: { query: { bool: { should: [{multi_match: {
Elasticsearch 相当新,所以可能不得不忍受我,我遇到了一个问题,如果我使用 20 个字符或更少的字符搜索文档,文档会出现,但是查询中同一个单词中的任何更多字符,我没有结果: 使用“苯氧甲基
我试图更好地理解 ElasticSearch 的内部结构,所以我想知道 ElasticSearch 在内部计算以下两种情况的术语统计信息的方式是否存在任何差异。 第一种情况是当我有这样的文件时: {
在我的 elasticsearch 索引中,我索引了一堆工作。为简单起见,我们只说它们是一堆职位。当人们在我的搜索引擎中输入职位时,我想“自动完成”可能的匹配。 我在这里调查了完成建议:http://
我在很多映射中使用多字段。在 Elastic Search 的文档中,指示应将多字段替换为“fields”参数。参见 http://www.elasticsearch.org/guide/en/ela
我有如下查询, query = { "query": {"query_string": {"query": "%s" % q}}, "filter":{"ids
我有一个Json数据 "hits": [ { "_index": "outboxprov1", "_type": "deleted-c
这可能是一个初学者的问题,但我对大小有一些疑问。 根据 Elasticsearch 规范,大小的最大值可以是 10000,我想在下面验证我的理解: 示例查询: GET testindex-2016.0
我在 Elastic Search 中发现了滚动功能,这看起来非常有趣。看了那么多文档,下面的问题我还是不清楚。 如果偏移量已经存在那么为什么要使用滚动? 即将到来的记录呢?假设它完成了所有数据的滚动
我有以下基于注释的 Elasticsearch 配置,我已将索引设置为不被分析,因为我不希望这些字段被标记化: @Document(indexName = "abc", type = "efg
我正在尝试在单个索引中创建多个类型。例如,我试图在host索引中创建两种类型(post,ytb),以便在它们之间创建父子关系。 PUT /ytb { "mappings": { "po
我尝试创建一个简单的模板,包括一些动态模板,但我似乎无法为文档编制索引。 我得到错误: 400 {"error":"MapperParsingException[mapping [_default_]
我是一名优秀的程序员,十分优秀!