Coding Morning

本地运行PySpark处理wasbs blobstorage数据

作者: nbboy
时间: 2022-06-05
分类: Python
评论

### azure wasbs协议
wasbs文件协议是azure blobstorage,spark需要安装一些jar包才能支持该协议，并不是在自带的core中。这里简单记录一下安装过程和遇到的一些坑。

### 安装Jar包
在安装好后的spark home目录的jars下放入jar包:
azure-storage-8.6.6.jar
azure-storage-blob-11.0.1.jar
hadoop-azure-3.2.0.jar
在运行的时候报错说Jetty没有安装，于是索性下载了一些Jetty包，请注意版本，因为我用的是jdk8，所以下载的是低版本。
jetty-http-9.3.24.v20180605.jar
jetty-server-9.3.24.v20180605.jar
jetty-util-9.3.24.v20180605.jar
jetty-util-ajax-9.3.24.v20180605.jar

### 连接Pyspark
接下来做的事让Pyspark找到Spark,接着再设置SparkSession。根据电脑的配置设置，如果Driver内存设置的太小，跑的过程中就会爆出内存不够的错误，这是我的配置：
```python
import findspark
findspark.init()
print(findspark.find())

import pyspark
from pyspark.sql import SparkSession

#Create SparkSession
spark = SparkSession.builder \
    .appName("HQV Model") \
    .config("spark.executor.memory", "4g") \
    .config("spark.driver.memory", "4g")\
    .config("spark.dirver.maxResultSize", "4g")\
    .master("local[*]") \
    .config("spark.executor.cores", "4") \
    .config("spark.default.parallelism", "4") \
    .getOrCreate()
```

《第四章.数据编码与演化》

作者: nbboy
时间: 2022-05-17
分类: 软件架构,软件工程,设计模式,Golang
评论

### 数据编码用处
  数据编码主要被用在数据传输和存储上，至于数据在内存中是不需要特定的数据编码的，用某种结构就可以表示（比如数组，链表，数，图等等），平时接触最多的可能就从数据库反射回来的数据模型对象。

### 数据编码困境
  数据编码即可以是通用的数据编码也可以是语言专用的数据编码，比如大家都知道的XML,JSON，PB是通用的数据编码，任何的语言基本都可以编码和解码。对于专有数据编码，比如Python Pickle文件和Java序列化等都属于这类，一般被用来存储的用途。
  但是无论对于哪种数据编码，主要需要解决的问题是：
- 保持双向兼容（前向和后向）
- 快速的编码和解码
- 数据是否紧凑
- 最好对人类友好，即便于调试

以比较熟悉的JSON和PB进行描述和对比，JSON并没有保持双向兼容的能力，需要程序去自行处理。从性能上来说，相对于其他二进制编码，它无疑编解码也是比较慢的，而且因为是文本格式，所以数据也不具有太好的压缩特性。但是因此带来的好处是方便我们去调试，比如可以很方面的截获一段HTTP报文，我们完全不借助工具就可以阅读他的内容，这是其他二进制编码格式做不到的。所以正是这些因素，外网常用的接口都以Restful风格+JSON编码去传输。但是,PB正好相反，它可以预定义模式协议文件（pb文件），而且支持可选和必选，这样就为双向兼容提供了方便。PB编解码性能比JSON快了非常多，另外数据更加紧凑，不过由于以上特性，如果不借助工具，不方便调试。
  以上描述的两种编码格式比较常见，也比较有代表性。不存在最好的和具备所有优点的编解码方式，需要我们根据具体场景去选择，比如目前比较好的实践方式是，走外网的接口通常用JSON去传输，内网的RPC服务用的更多的还是PB格式。

### 数据流模式
  在Web应用开发中，一般和数据库，消息队列，调用第三方服务打交道，书中总结抽象为数据流。
- 数据库也可以看成编解码的过程，把SQL的记录行组装成模型对象（不是领域对象）称为解码，把模型对象拼装成SQL语句执行的过程称为编码。消息队列和服务调用过程中更加少不了编解码。
- RPC和Restful在交互过程中对内容进行编解码
- 异步消息在投递到消息代理过程中会进行编解码

### 总结
  数据在存储和传输过程中需要进行编解码，在一些特殊的场景会自己定义一套编解码方式，目标是更好的性能和更具经凑的格式。当然当然在Web开发中，用的最多的还是JSON和PB，以后肯定会有更多的方案出现，但是都应该围绕上面提到的几个目标去设计。

Redis Hash原理

作者: nbboy
时间: 2022-02-27
分类: 默认分类,C
评论

> 分析的Redis版本基于6.0
## Redis Hash
#### 应用场景
哈希列表结构是一般在编程上非常重要的结构，因为它的查询性能接近O(1)，所以是一种非常高效的数据结构。我们平时用的字典（dict）往往都是通过哈希列表去实现的，而redis中自己实现的hash结构也非常重要。在redis中所有的键值都是通过hash结构去管理的，比如我们键入命令set a hello时，其实在redis server用结构redisDb->dict来进行维护，其键和值都是redisObject：
```c
typedef struct redisDb {
    dict *dict;                 /* The keyspace for this DB */
    dict *expires;              /* Timeout of keys with a timeout set */
	...
} redisDb;
```

#### Hash结构
redis hash结构和普通的hash结构还是非常像的，但是因为它有一个渐进式hash过程（下面会讲），所以它其实有两个hash table。
```c
//字典采用链表处理冲突，而且在数据过多的时候会自动进行渐进式重新hash
typedef struct dict {
	//一些函数指针
    dictType *type;
	
    void *privdata;
	
	//rehash的oldhash和newhash
    dictht ht[2];
	
	//rehash的进度(hash槽索引), 如果是-1, 则表示没有进行rehash, 否则就是在rehash
    long rehashidx; /* rehashing not in progress if rehashidx == -1 */
    unsigned long iterators; /* number of iterators currently running */
} dict;

typedef struct dictht {
	//指向hash槽的头部
    dictEntry **table;
	
	//分配的hash槽总数量
    unsigned long size;
	
	//计算hash槽的掩码值, 它等于size - 1
    unsigned long sizemask;
	
	//在用的hash槽数量
    unsigned long used;
} dictht;

//字典的每个元素
typedef struct dictEntry {
	//元素的健
    void *key;
	
	//指向的值,或是指向一个对象，或者数值...
    union {
        void *val;
        uint64_t u64;
        int64_t s64;
        double d;
    } v;
	
	//采用链表的方式，next指向hash槽内的下个元素
    struct dictEntry *next;
} dictEntry;
```
比如size=6的hash表按照字母顺序进行编码（比如a:1,b:2,c:3,d:4,e:5,f:6,g:1...)，并且插入到hash列表中后的图示如下：
![](https://chenxf.org/usr/uploads/2022/02/3822166739.png)
#### 键冲突处理
我们知道所有的hash列表都会冲突，冲突是由于key被hash到一个bucket（有些资料里叫hash槽）里引起的。Redis采用如下的技术处理键的冲突：
- 选择好的Hash函数,尽量让键分布均匀
- 用拉链的方式处理冲突，即使键值过载，也会被分散到bucket内的链表里
- 设定一个阈值，如果元素过载，则会进行自动扩容

散列表的处理冲突方式一般有两种，开放定址和拉链法，而Redis采用的是拉链法，实现上用链表来管理冲突的键值对。Redis在Hash函数的选取上则用的是SipHash，这种算法有较强的安全性，可以用来防御“Hash-flooding”。

#### 扩容/缩容
当随着元素的增加，如果Hash列表不进行扩张，则必然会增加单个Bucket的元素数量，而这会导致命中该Bucket的检索操作退化到查询列表的操作，而这是不能被接受的，所以Redis设计了自动扩容的机制。
扩容是在添加操作完成的，当元素使用比例过了设定的阈值，则进行自动扩容：
```c
//超过阈值，开始进行hash扩展，扩展长度为两倍，里面会进行微调整
    if (d->ht[0].used >= d->ht[0].size &&
        (dict_can_resize ||
         d->ht[0].used/d->ht[0].size > dict_force_resize_ratio))
    {
        return dictExpand(d, d->ht[0].used*2);
    }
```
Redis扩容本身并不复杂，它会把散列的空间扩大到现有元素的2倍左右大小。相比扩容，缩容采用了更加主动的方式，采用定时器进行周期性的空间回收，具体操作在tryResizeHashTables函数，收缩的条件为空间利用率下降为10%，就会进行一次收缩，收缩过后的大小刚好大于原有键值对数量的2的n次。([dictResize](https://github.com/redis/redis/blob/6.0/src/dict.c#L135 "dictResize"))
```c
//低于10%的时候，会进行缩容
int htNeedsResize(dict *dict) {
    long long size, used;

size = dictSlots(dict);
    used = dictSize(dict);
	//use/size < 0.10
    return (size > DICT_HT_INITIAL_SIZE &&
            (used*100/size < HASHTABLE_MIN_FILL));
}
```
#### 渐进式Rehash
作为hash列表，已有的功能都是完整的，但是作为高性能的Redis服务器如果只是容许暂停服务进行rehash，那将是不可承受的。Redis在设计上采用了渐进式的结构，也就是在rehash阶段，会有两个散列表存在，一个用来存目前用的健值对ht1，另外一个则是新扩张后的ht2。在这个阶段两个ht都需要去查找和更新，当完成这个阶段只需要考虑ht1。
可以用一个例子来图示一下，假设为了方便演示，resize比例为1的时候就进行扩张，初始化hash大小为2个Bucket，插入3个键值对后的hash状态如下：
![](https://chenxf.org/usr/uploads/2022/02/2878736334.png)
这时候，其实hash列表里的键值对已经达到扩容的零界点，当请求插入l=33的时候，根据used/size=4/2=2>1(dict_force_resize_ratio )，所以会分配一个2倍空间(2*used)大小给新的ht1，并且启动**渐进式hash迁移**。而在hash迁移期间，所有的插入请求的键值对都会放到新的ht1。
![](https://chenxf.org/usr/uploads/2022/02/4075936131.png)
当我们请求删除e为健的键值对时，其实它会进行两步操作(其实如果一旦进入hash迁移，则对于查找/添加/替换都会有下面的第一步)：
1. 依次获取ht0的一个bucket，并且迁移到ht1中
2. 在ht0和ht1中查找是否有健，如果找到的话进行删除
![](https://chenxf.org/usr/uploads/2022/02/3697740524.png)
*图画的不是很好，表达的是2个键值对迁移过来后，其中一个被删除（画叉的是被删除，画加号的是被正常迁移过来，顺序是先迁移，后删除）*

这时候如果来个检索操作，比如检索b为健的值是多少，同样检索操作也需要执行一次迁移操作，也即：
1. 依次获取ht0的一个bucket，并且迁移到ht1中
2. 在ht0和ht1中查找是否有健，如果找到的话返回
对于这里的例子，本次操作会迁移Bucket2，操作后会使ht0没有键值对（used==0）。而当ht0为空时候，ht1被作为新的ht0(ht1指针给ht0)，ht1清空作为下一次迁移用，本轮迁移标记rehashidx置空。
![](https://chenxf.org/usr/uploads/2022/02/3142013963.png)

需要说明的是如果在迁移阶段进行检索，并且第一步之后迁移也没有完成，则查找的时候会对h0和h1两个hash表都进行检索，因为键值有可能在h0也有可能在h1。
最后再补充一点，渐进式迁移不光光在查找/添加/替换等操作里有，而且在定时任务里也会给予一定的时间（1ms）进行迁移。

### 参考
《算法》散列表部分
《数据结构与算法之美》散列表部分

图片处理解决方案Gimg发布了

基础知识

本地运行PySpark处理wasbs blobstorage数据

《第四章.数据编码与演化》

Redis Hash原理

最新文章

最近回复

分类

归档

其它