初探数据平台

1.Yarn 上面有哪几种资源调度策略？并且如何配置？

Hadoop规模来看
计算资源管理
1）Yarn 动态资源
2）Spark on Yarn 静态资源调度 动态资源调度
Spark 作业一般跑在集群资源好的机器上，一般好的集群会打标签进行区分：例如spark001 hadoop001机器名

3）Spark Job  每次触发一个Action 会产启动一个Job运行。
   如果跑几次失败，是否能够有一种机制能够推测执行
   推测执行：就是老在一个地方跑不动，次数超出设定的阈值，spark2.2以后有一个backlist 黑名单的概念。
            就会到其余的节点运行

4） spark executor : Job core 是否能够自动适配
    问题：一个partition处理的数据太多了，写出去时候发生OOM
        如何评估一个Partition 放多少数据？
        设定每个partition处理多少数据即可。


5）抢占 ：作业的优先级
6）调度机
    spark on yarn client
    driver 运行在调度机上
    同一分钟有1000个作业在跑，意味着这1k个作业都在调度机上
    1k个作业都在调度机上资源不好隔离，就引入spark on docker k8s

ps:元数据：描述数据的数据
Hive元数据：描述Hive表的一些信息

数据采集：
1）RDBMS
2）FTP
3）NoSQL
4) S3/oss
5) orc/parquet

落到 ===> HDFS/Hive

数据源管理：
domain:
名称
类型
URL
username
password

是否连接成功

功能：domain 的CRUD 以及测试是否成功

任务：静态的概念

调度：执行任务

sqoop import
--connect jdbc:/mysql://localhost:3306/sqoop 
--username root 
--password root 
--table emp 
--mapreduce-job-name FromMySQLToHDFS 
-m 1 
--delete-target-dir 
--columns 'EMPNO,ENAME,JOB,SAL,COMM' 
--target-dir EMP_COLUMN_WHERE 
--fields-terminate-by '	'
--null-non-string '0' 
--null-string '' 
--where 'SAL>1000'