精华内容
下载资源
问答
  • 宽带信号被广泛应用于雷达、导航...本文通过MATLAB仿真实现了对中心频率在1 200 MHz、带宽为1 000 MHz、脉冲宽度为40 μs的线性调频信号进行去斜处理,在大幅度降低数据率的情况下,实验结果良好,具有可行性和实用性。
  • 宽带信号广泛应用于雷达 导航和卫星通讯等领域 宽带信号的传统接收处理方法主要是采用匹配滤波或子带分割技术 本文用去斜脉冲压缩处理方法处理宽带信号 给出了具体的实现结构和改进措施 分析了如何选择系统的信号...
  • 本仿真对脉冲压缩进行改进,提出去斜处理。与脉冲压缩技术不同,此算法可用于带宽极大的雷达定位:穿墙雷达,探地雷达等。定位效果极佳,还可为后续压缩感知及后投影BP算法提供研究思路。
  • 原理: 对原本相同的key进行随机数附加,变成不同key,让原本一个task处理的数据分摊到多个task做局部聚合,规避单task数据过量。之后再随机前缀进行全局聚合; 优点: 效果非常好(对聚合类Shuffle操作的倾斜问题...

    数据倾斜是一种很常见的问题(依据二八定律),简单来说,比方WordCount中某个Key对应的数据量非常大的话,就会产生数据倾斜,导致两个后果:

    • OOM(单或少数的节点);
    • 拖慢整个Job执行时间(其他已经完成的节点都在等这个还在做的节点)

    数据倾斜主要分为两类: 聚合倾斜 和 join倾斜

    • 聚合倾斜

      双重聚合(局部聚合+全局聚合)

      场景: 对RDD进行reduceByKey等聚合类shuffle算子,SparkSQL的groupBy做分组聚合这两种情况 思路:首先通过map给每个key打上n以内的随机数的前缀并进行局部聚合,即(hello, 1) (hello, 1) (hello, 1) (hello, 1)变为(1_hello, 1) (1_hello, 1) (2_hello, 1),并进行reduceByKey的局部聚合,然后再次map将key的前缀随机数去掉再次进行全局聚合;
      原理: 对原本相同的key进行随机数附加,变成不同key,让原本一个task处理的数据分摊到多个task做局部聚合,规避单task数据过量。之后再去随机前缀进行全局聚合;
      优点: 效果非常好(对聚合类Shuffle操作的倾斜问题);
      缺点: 范围窄(仅适用于聚合类的Shuffle操作,join类的Shuffle还需其它方案)

    • join倾斜

      将reduce join转为map join

      场景: 对RDD或Spark SQL使用join类操作或语句,且join操作的RDD或表比较小(百兆或1,2G); 思路:使用broadcast和map类算子实现join的功能替代原本的join,彻底规避shuffle。对较小RDD直接collect到内存,并创建broadcast变量;并对另外一个RDD执行map类算子,在该算子的函数中,从broadcast变量(collect出的较小RDD)与当前RDD中的每条数据依次比对key,相同的key执行你需要方式的join;

      原理: 若RDD较小,可采用广播小的RDD,并对大的RDD进行map,来实现与join同样的效果。简而言之,用broadcast-map代替join,规避join带来的shuffle(无Shuffle无倾斜); 优点:效果很好(对join操作导致的倾斜),根治;

      缺点: 适用场景小(大表+小表),广播(driver和executor节点都会驻留小表数据)小表也耗内存

      采样倾斜key并分拆join操作

      场景: 两个较大的(无法采用方案五)RDD/Hive表进行join时,且一个RDD/Hive表中少数key数据量过大,另一个RDD/Hive表的key分布较均匀(RDD中两者之一有一个更倾斜);
      思路:

      1. 对更倾斜rdd1进行采样(RDD.sample)并统计出数据量最大的几个key;
      2. 对这几个倾斜的key从原本rdd1中拆出形成一个单独的rdd1_1,并打上0~n的随机数前缀,被拆分的原rdd1的另一部分(不包含倾斜key)又形成一个新rdd1_2;
      3. 对rdd2过滤出rdd1倾斜的key,得到rdd2_1,并将其中每条数据扩n倍,对每条数据按顺序附加0~n的前缀,被拆分出key的rdd2也独立形成另一个rdd2_2; 【个人认为,这里扩了n倍,最后union完还需要将每个倾斜key对应的value减去(n-1)】
      4. 将加了随机前缀的rdd1_1和rdd2_1进行join(此时原本倾斜的key被打散n份并被分散到更多的task中进行join); 【个人认为,这里应该做两次join,两次join中间有一个map去前缀】
      5. 另外两个普通的RDD(rdd1_2、rdd2_2)照常join;
      6. 最后将两次join的结果用union结合得到最终的join结果。 原理:对join导致的倾斜是因为某几个key,可将原本RDD中的倾斜key拆分出原RDD得到新RDD,并以加随机前缀的方式打散n份做join,将倾斜key对应的大量数据分摊到更多task上来规避倾斜;

      优点: 前提是join导致的倾斜(某几个key倾斜),避免占用过多内存(只需对少数倾斜key扩容n倍);
      缺点: 对过多倾斜key不适用。

      用随机前缀和扩容RDD进行join

      场景: RDD中有大量key导致倾斜; 思路:与方案六类似。

      1. 查看RDD/Hive表中数据分布并找到造成倾斜的RDD/表;
      2. 对倾斜RDD中的每条数据打上n以内的随机数前缀;
      3. 对另外一个正常RDD的每条数据扩容n倍,扩容出的每条数据依次打上0到n的前缀;
      4. 对处理后的两个RDD进行join。

      原理: 与方案六只有唯一不同在于这里对不倾斜RDD中所有数据进行扩大n倍,而不是找出倾斜key进行扩容;
      优点: 对join类的数据倾斜都可处理,效果非常显著;
      缺点: 缓解,扩容需要大内存

    参考文章1
    参考文章2

    展开全文
  • 并且现在的XGBoost实现的接口有专门的参数来控制处理不平衡数据。 6. 转化为无监督学习的聚类,后使用监督学习的分类方法 首先,我们可以对具有大量样本的丰富类进行聚类操作。假设我们使用的方法是 K-Means聚类...

    1.训练集重新采样分布

    1.1 欠采样

    欠采样是通过减少丰富类的大小来平衡数据集,当数据量足够时就该使用此方法。通过保存所有稀有类样本,并在丰富类别中随机选择与稀有类别样本相等数量的样本,可以检索平衡的新数据集以进一步建模。

    1.2 过采样

    当数据量不足时就应该使用过采样,它尝试通过增加稀有样本的数量来平衡数据集,而不是去除丰富类别的样本的数量。通过使用重复、自举或合成少数类过采样等方法(SMOTE)来生成新的稀有样品。

    1.3 优缺点

    过采样后的数据集中会反复出现一些样本,训练出来的模型会有一定的过拟合;而欠采样的缺点显而易见,那就是最终的训练集丢失了数据,模型只学到了总体模式的一部分。

    2.组合不同的重采样数据

    建立n个模型,每个模型使用稀有类别的所有样本和丰富类别的n个不同样本。假设想要合并10个模型,那么将保留例如1000例稀有类别,并随机抽取10000例丰富类别。然后,只需将10000个案例分成10块,并训练10个不同的模型。

    此方法可以很好地将稀有类别和丰富类别之间的比例进行微调,最好的比例在很大程度上取决于所使用的数据和模型。但是,不是在整体中以相同的比例训练所有模型,所以值得尝试合并不同的比例。如果10个模型被训练,有一个模型比例为1:1(稀有:丰富)和另一个1:3甚至是2:1的模型都是有意义的。一个类别获得的权重依赖于使用的模型。

    3.转化为一分类问题

    对于二分类问题,如果正负样本分布比例极不平衡,我们可以换一个完全不同的角度来看待问题:把它看做一分类(One Class Learning)或异常检测(Novelty Detection)问题。这类方法的重点不在于捕捉类间的差别,而是为其中一类进行建模,经典的工作包括One-class SVM等。

    4.多模型Bagging

    bagging算法的特点在于随机采样(bootsrap),也就是有放回的采样。对于Bagging算法,一般会随机采集和训练集样本数m一样个数的样本。这样得到的采样集和训练集样本的个数相同,但是样本内容不同。如果我们对有m个样本训练集做T次的随机采样,则由于随机性,T个采样集各不相同。数学方法可以证明,随机采样的方法中,大约有36.8%的数据不会被采样到,,这部分数据可以用来检测模型的泛化能力。

    5.XGBoost

    boosting算法中的XGBoost本身的设计可以很好的针对不平衡数据。并且现在的XGBoost实现的接口有专门的参数来控制处理不平衡数据。

    6. 转化为无监督学习的聚类,后使用监督学习的分类方法

    首先,我们可以对具有大量样本的丰富类进行聚类操作。假设我们使用的方法是 K-Means聚类算法 。此时,我们可以选择K值为稀有类中的数据样本的个数,并将聚类后的中心点以及相应的聚类中心当做富类样本的代表样例,类标与富类类标一致。

    经过上述步骤的聚类操作,我们对富类训练样本进行了筛选,接下来我们就可以将相等样本数的K个正负样本进行有监督训练。

    7. SMOTE,EasyEnsemble和BalanceCascade

    在知乎上看到一个回答,他的数据比例也是两个数量级的差距,他使用的EasyEnsemble效果很好。
    这几篇文章是关于这三个算法的:
    http://www.cnblogs.com/ljygoodgoodstudydaydayup/p/6485152.html
    https://blog.csdn.net/u011414200/article/details/50664266
    https://blog.csdn.net/march_on/article/details/48650237
    https://zhuanlan.zhihu.com/p/36381828

    8.imbalanced-learn

    一个python包,提供了一些常用于数据集的重新采样技术API.
    https://github.com/scikit-learn-contrib/imbalanced-learn

    展开全文
  • 现象 1.在执行任务的时候,绝大多数...在发生shuffle的过程中,各个节点上相同的key拉取到某一个节点上的一个task去处理,此时如果某个key的数量特别大的话,就会发生数据倾斜.比如,一些key的条数只有10条,某一个key有1...

    现象

    1.在执行任务的时候,绝大多数task执行的速度还是特别快,有少数task执行的速度特别慢.
    2.原本能够正常执行的作业,突然有一天OOM,观察异常栈,是我们写的业务代码造成的.(很少见)


    原理

    在发生shuffle的过程中,各个节点上相同的key拉取到某一个节点上的一个task去处理,此时如果某个key的数量特别大的话,就会发生数据倾斜.比如,一些key的条数只有10条,某一个key有10000条,那么task在处理那些只有10条key时会特别快,但是在处理10000条相同的key时,时间会比较长,这样整个任务完成的时间就会比较长.如果某个key的数据量特别大的话,还有可能造成内存溢出等异常.


    定位

    数据倾斜只会发生在shuffle的过程中,比如distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等,出现数据倾斜时,可能就是你的代码中使用了这些算子中的某一个所导致的。

    1.某个task执行的特别慢
    首先要定位这个数据倾斜发生在哪个Stage中.
    如果是用yarn-client模式提交,那么本地是直接可以看到log的,可以在log中找到当前运行到了第几个stage;如果是用yarn-cluster模式提交,则可以通过Spark Web UI来查看当前运行到了第几个stage。此外,无论是使用yarn-client模式还是yarn-cluster模式,我们都可以在Spark Web UI上深入看一下当前这个stage各个task分配的数据量,从而进一步确定是不是task分配的数据不均匀导致了数据倾斜。

    如下图中,倒数第三列显示了每个task的运行时间。明显可以看到,有的task运行特别快,只需要几秒钟就可以运行完;而有的task运行特别慢,需要几分钟才能运行完,此时单从运行时间上看就已经能够确定发生数据倾斜了。此外,倒数第一列显示了每个task处理的数据量,明显可以看到,运行时间特别短的task只需要处理几百KB的数据即可,而运行时间特别长的task需要处理几千KB的数据,处理的数据量差了10倍。此时更加能够确定是发生了数据倾斜。
    在这里插入图片描述

    知道数据倾斜发生在哪一个stage之后,接着我们就需要根据stage划分原理,推算出来发生倾斜的那个stage对应代码中的哪一部分,这部分代码中肯定会有一个shuffle类算子。精准推算stage与代码的对应关系,需要对Spark的源码有深入的理解,这里我们可以介绍一个相对简单实用的推算方法:只要看到Spark代码中出现了一个shuffle类算子或者是Spark SQL的SQL语句中出现了会导致shuffle的语句(比如group by语句),那么就可以判定,以那个地方为界限划分出了前后两个stage。

    这里我们就以Spark最基础的入门程序——单词计数来举例,如何用最简单的方法大致推算出一个stage对应的代码。如下示例,在整个代码中,只有一个reduceByKey是会发生shuffle的算子,因此就可以认为,以这个算子为界限,会划分出前后两个stage

    stage0,主要是执行从textFile到map操作,以及执行shuffle write操作。shuffle write操作,我们可以简单理解为对pairs RDD中的数据进行分区操作,每个task处理的数据中,相同的key会写入同一个磁盘文件内。
    stage1,主要是执行从reduceByKey到collect操作,stage1的各个task一开始运行,就会首先执行shuffle read操作。执行shuffle read操作的task,会从stage0的各个task所在节点拉取属于自己处理的那些key,然后对同一个key进行全局性的聚合或join等操作,在这里就是对key的value值进行累加。stage1在执行完reduceByKey算子之后,就计算出了最终的wordCounts RDD,然后会执行collect算子,将所有数据拉取到Driver上,供我们遍历和打印输出。

    val conf = new SparkConf()
    val sc = new SparkContext(conf)
    
    val lines = sc.textFile("hdfs://...")
    val words = lines.flatMap(_.split(" "))
    val pairs = words.map((_, 1))
    val wordCounts = pairs.reduceByKey(_ + _)
    
    wordCounts.collect().foreach(println(_))
    

    通过对单词计数程序的分析,希望能够让大家了解最基本的stage划分的原理,以及stage划分后shuffle操作是如何在两个stage的边界处执行的。然后我们就知道如何快速定位出发生数据倾斜的stage对应代码的哪一个部分了。比如我们在Spark Web UI或者本地log中发现,stage1的某几个task执行得特别慢,判定stage1出现了数据倾斜,那么就可以回到代码中定位出stage1主要包括了reduceByKey这个shuffle类算子,此时基本就可以确定是由educeByKey算子导致的数据倾斜问题。比如某个单词出现了100万次,其他单词才出现10次,那么stage1的某个task就要处理100万数据,整个stage的速度就会被这个task拖慢。

    task执行慢->看日志找stage和task处理的数据量->找到stage->找该stage前后shuffle类算子

    2.某个task莫名其妙内存溢出的情况
    这种情况下去定位出问题的代码就比较容易了。我们建议直接看yarn-client模式下本地log的异常栈,或者是通过YARN查看yarn-cluster模式下的log中的异常栈。一般来说,通过异常栈信息就可以定位到你的代码中哪一行发生了内存溢出。然后在那行代码附近找找,一般也会有shuffle类算子,此时很可能就是这个算子导致了数据倾斜。

    但是大家要注意的是,不能单纯靠偶然的内存溢出就判定发生了数据倾斜。因为自己编写的代码的bug,以及偶然出现的数据异常,也可能会导致内存溢出。因此还是要按照上面所讲的方法,通过Spark Web UI查看报错的那个stage的各个task的运行时间以及分配的数据量,才能确定是否是由于数据倾斜才导致了这次内存溢出。


    查看导致数据倾斜的key的数据分布情况

    知道数据倾斜发生在哪个阶段了,通常需要分析一下那个执行了shuffle操作并导致数据倾斜的RDD/Hive表,查看其中Key的分布情况.这是因为不同的倾斜情况(不同的key分布于不同的shuffle算子),需要不同的处理方案解决.

    1.Spark SQL
    Spark SQL中的group by、join语句导致的数据倾斜,那么就查询一下SQL中使用的表的key分布情况。

    2.Spark RDD
    对Spark RDD执行shuffle算子导致的数据倾斜,那么可以在Spark作业中加入查看key分布的代码,比如RDD.countByKey()。然后对统计出来的各个key出现的次数,collect/take到客户端打印一下,就可以看到key的分布情况。

    举例来说,对于上面所说的单词计数程序,如果确定了是stage1的reduceByKey算子导致了数据倾斜,那么就应该看看进行reduceByKey操作的RDD中的key分布情况,在这个例子中指的就是pairs RDD。如下示例,我们可以先对pairs采样10%的样本数据,然后使用countByKey算子统计出每个key出现的次数,最后在客户端遍历和打印样本数据中各个key的出现次数。

    val conf = new SparkConf()
    val sc = new SparkContext(conf)
    
    val lines = sc.textFile("hdfs://...")
    val words = lines.flatMap(_.split(" "))
    val pairs = words.map((_, 1))
    
    val sampledPairs = pairs.sample(false, 0.1)
    val sampledWordCounts = sampledPairs.countByKey()
    sampledWordCounts.foreach(println(_))
    

    解决方案

    1 使用Hive ETL预处理数据
    针对spark任务调用hive表之后进行shuffle操作导致的数据倾斜情况.可以事先在hive ETL时就进行shuffle操作,而不是在spark任务中进行shuffle.

    方案适用场景: 导致数据倾斜的是Hive表。如果该Hive表中的数据本身很不均匀(比如某个key对应了100万数据,其他key才对应了10条数据),而且业务场景需要频繁使用Spark对Hive表执行某个分析操作,那么比较适合使用这种技术方案。

    方案实现思路: 此时可以评估一下,是否可以通过Hive来进行数据预处理(即通过Hive ETL预先对数据按照key进行聚合,或者是预先和其他表进行join),然后在Spark作业中针对的数据源就不是原来的Hive表了,而是预处理后的Hive表。此时由于数据已经预先进行过聚合或join操作了,那么在Spark作业中也就不需要使用原先的shuffle类算子执行这类操作了。

    方案实现原理: 这种方案从根源上解决了数据倾斜,因为彻底避免了在Spark中执行shuffle类算子,那么肯定就不会有数据倾斜的问题了。但是这里也要提醒一下大家,这种方式属于治标不治本。因为毕竟数据本身就存在分布不均匀的问题,所以Hive ETL中进行group by或者join等shuffle操作时,还是会出现数据倾斜,导致Hive ETL的速度很慢。我们只是把数据倾斜的发生提前到了Hive ETL中,避免Spark程序发生数据倾斜而已。

    方案优点: 实现起来简单便捷,效果还非常好,完全规避掉了数据倾斜,Spark作业的性能会大幅度提升。

    方案缺点: 治标不治本,Hive ETL中还是会发生数据倾斜。

    方案实践经验: 在一些Java系统与Spark结合使用的项目中,会出现Java代码频繁调用Spark作业的场景,而且对Spark作业的执行性能要求很高,就比较适合使用这种方案。将数据倾斜提前到上游的Hive ETL,每天仅执行一次,只有那一次是比较慢的,而之后每次Java调用Spark作业时,执行速度都会很快,能够提供更好的用户体验。

    项目实践经验: 在美团·点评的交互式用户行为分析系统中使用了这种方案,该系统主要是允许用户通过Java Web系统提交数据分析统计任务,后端通过Java提交Spark作业进行数据分析统计。要求Spark作业速度必须要快,尽量在10分钟以内,否则速度太慢,用户体验会很差。所以我们将有些Spark作业的shuffle操作提前到了Hive ETL中,从而让Spark直接使用预处理的Hive中间表,尽可能地减少Spark的shuffle操作,大幅度提升了性能,将部分作业的性能提升了6倍以上。

    2.过滤少数导致数据倾斜的key
    针对在任务中导致数据倾斜的key数量是少数的,并且可以抛弃过滤掉,对结果不影响的情况,可以将这少数的key过滤掉.

    方案适用场景: 如果发现导致倾斜的key就少数几个,而且对计算本身的影响并不大的话,那么很适合使用这种方案。比如99%的key就对应10条数据,但是只有一个key对应了100万数据,从而导致了数据倾斜。

    方案实现思路: 如果我们判断那少数几个数据量特别多的key,对作业的执行和计算结果不是特别重要的话,那么干脆就直接过滤掉那少数几个key。比如,在Spark SQL中可以使用where子句过滤掉这些key或者在Spark Core中对RDD执行filter算子过滤掉这些key。如果需要每次作业执行时,动态判定哪些key的数据量最多然后再进行过滤,那么可以使用sample算子对RDD进行采样,然后计算出每个key的数量,取数据量最多的key过滤掉即可。

    方案实现原理: 将导致数据倾斜的key给过滤掉之后,这些key就不会参与计算了,自然不可能产生数据倾斜。

    方案优点: 实现简单,而且效果也很好,可以完全规避掉数据倾斜。

    方案缺点: 适用场景不多,大多数情况下,导致倾斜的key还是很多的,并不是只有少数几个。

    方案实践经验: 在项目中我们也采用过这种方案解决数据倾斜。有一次发现某一天Spark作业在运行的时候突然OOM了,追查之后发现,是Hive表中的某一个key在那天数据异常,导致数据量暴增。因此就采取每次执行前先进行采样,计算出样本中数据量最大的几个key之后,直接在程序中将那些key给过滤掉。

    3.提高shuffle的并行度
    针对Spark SQL 和Spark Core两种情况增加并行度,为的是增加在shuffle过程中shuffle read task 的数量.但是一般是和其它方法同时使用.
    Spark SQL:spark.sql.shuffle.partitions(一般默认为200,值比较小)
    Spark Core:在shuffle的算子中增加参数,比如:reduceByKey(1000)

    方案适用场景: 如果我们必须要对数据倾斜迎难而上,那么建议优先使用这种方案,因为这是处理数据倾斜最简单的一种方案。

    方案实现思路: 在对RDD执行shuffle算子时,给shuffle算子传入一个参数,比如reduceByKey(1000),该参数就设置了这个shuffle算子执行时shuffle read task的数量。对于Spark SQL中的shuffle类语句,比如group by、join等,需要设置一个参数,即spark.sql.shuffle.partitions,该参数代表了shuffle read task的并行度,该值默认是200,对于很多场景来说都有点过小。

    方案实现原理: 增加shuffle read task的数量,可以让原本分配给一个task的多个key分配给多个task,从而让每个task处理比原来更少的数据。举例来说,如果原本有5个key,每个key对应10条数据,这5个key都是分配给一个task的,那么这个task就要处理50条数据。而增加了shuffle read task以后,每个task就分配到一个key,即每个task就处理10条数据,那么自然每个task的执行时间都会变短了。具体原理如下图所示。

    方案优点: 实现起来比较简单,可以有效缓解和减轻数据倾斜的影响。

    方案缺点: 只是缓解了数据倾斜而已,没有彻底根除问题,根据实践经验来看,其效果有限。

    方案实践经验: 该方案通常无法彻底解决数据倾斜,因为如果出现一些极端情况,比如某个key对应的数据量有100万,那么无论你的task数量增加到多少,这个对应着100万数据的key肯定还是会分配到一个task中去处理,因此注定还是会发生数据倾斜的。所以这种方案只能说是在发现数据倾斜时尝试使用的第一种手段,尝试去用最简单的方法缓解数据倾斜而已,或者是和其他方案结合起来使用。
    在这里插入图片描述

    4.两阶段聚合(局部聚合+全局聚合)
    针对Spark Core 中RDD聚合类shuffle算子或者Spark SQL中group by 分组聚合时,只针对聚合,join不适合

    方案适用场景: 对RDD执行reduceByKey等聚合类shuffle算子或者在Spark SQL中使用group by语句进行分组聚合时,比较适用这种方案。

    方案实现思路: 这个方案的核心实现思路就是进行两阶段聚合。第一次是局部聚合,先给每个key都打上一个随机数,比如10以内的随机数,此时原先一样的key就变成不一样的了,比如(hello, 1) (hello, 1) (hello, 1) (hello, 1),就会变成(1_hello, 1) (1_hello, 1) (2_hello, 1) (2_hello, 1)。接着对打上随机数后的数据,执行reduceByKey等聚合操作,进行局部聚合,那么局部聚合结果,就会变成了(1_hello, 2) (2_hello, 2)。然后将各个key的前缀给去掉,就会变成(hello,2)(hello,2),再次进行全局聚合操作,就可以得到最终结果了,比如(hello, 4)。

    方案实现原理: 将原本相同的key通过附加随机前缀的方式,变成多个不同的key,就可以让原本被一个task处理的数据分散到多个task上去做局部聚合,进而解决单个task处理数据量过多的问题。接着去除掉随机前缀,再次进行全局聚合,就可以得到最终的结果。具体原理见下图。

    方案优点: 对于聚合类的shuffle操作导致的数据倾斜,效果是非常不错的。通常都可以解决掉数据倾斜,或者至少是大幅度缓解数据倾斜,将Spark作业的性能提升数倍以上。

    方案缺点: 仅仅适用于聚合类的shuffle操作,适用范围相对较窄。如果是join类的shuffle操作,还得用其他的解决方案。
    在这里插入图片描述

    // 第一步,给RDD中的每个key都打上一个随机前缀。
    JavaPairRDD<String, Long> randomPrefixRdd = rdd.mapToPair(
            new PairFunction<Tuple2<Long,Long>, String, Long>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Tuple2<String, Long> call(Tuple2<Long, Long> tuple)
                        throws Exception {
                    Random random = new Random();
                    int prefix = random.nextInt(10);
                    return new Tuple2<String, Long>(prefix + "_" + tuple._1, tuple._2);
                }
            });
    
    // 第二步,对打上随机前缀的key进行局部聚合。
    JavaPairRDD<String, Long> localAggrRdd = randomPrefixRdd.reduceByKey(
            new Function2<Long, Long, Long>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Long call(Long v1, Long v2) throws Exception {
                    return v1 + v2;
                }
            });
    
    // 第三步,去除RDD中每个key的随机前缀。
    JavaPairRDD<Long, Long> removedRandomPrefixRdd = localAggrRdd.mapToPair(
            new PairFunction<Tuple2<String,Long>, Long, Long>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Tuple2<Long, Long> call(Tuple2<String, Long> tuple)
                        throws Exception {
                    long originalKey = Long.valueOf(tuple._1.split("_")[1]);
                    return new Tuple2<Long, Long>(originalKey, tuple._2);
                }
            });
    
    // 第四步,对去除了随机前缀的RDD进行全局聚合。
    JavaPairRDD<Long, Long> globalAggrRdd = removedRandomPrefixRdd.reduceByKey(
            new Function2<Long, Long, Long>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Long call(Long v1, Long v2) throws Exception {
                    return v1 + v2;
                }
            });
    

    5.将reduce join转为map join
    针对join,并且是大小表join情况.利用的是广播变量broadcast(小表)+map将reduce join转为map join,不会发生shuffle,也就不会发生数据倾斜了.

    方案适用场景: 在对RDD使用join类操作,或者是在Spark SQL中使用join语句时,而且join操作中的一个RDD或表的数据量比较小(比如几百M或者一两G),比较适用此方案。

    方案实现思路:

    • 不使用join算子进行连接操作,而使用Broadcast变量与map类算子实现join操作,进而完全规避掉shuffle类的操作,彻底避免数据倾斜的发生和出现。
    • 将较小RDD中的数据直接通过collect算子拉取到Driver端的内存中来,然后对其创建一个Broadcast变量;接着对另外一个RDD执行map类算子,在算子函数内,从Broadcast变量中获取较小RDD的全量数据,与当前RDD的每一条数据按照连接key进行比对,如果连接key相同的话,那么就将两个RDD的数据用你需要的方式连接起来。

    方案实现原理: 普通的join是会走shuffle过程的,而一旦shuffle,就相当于会将相同key的数据拉取到一个shuffle read task中再进行join,此时就是reduce join。但是如果一个RDD是比较小的,则可以采用广播小RDD全量数据+map算子来实现与join同样的效果,也就是map join,此时就不会发生shuffle操作,也就不会发生数据倾斜。具体原理如下图所示。

    方案优点: 对join操作导致的数据倾斜,效果非常好,因为根本就不会发生shuffle,也就根本不会发生数据倾斜。

    方案缺点: 适用场景较少,因为这个方案只适用于一个大表和一个小表的情况。毕竟我们需要将小表进行广播,此时会比较消耗内存资源,driver和每个Executor内存中都会驻留一份小RDD的全量数据。如果我们广播出去的RDD数据比较大,比如10G以上,那么就可能发生内存溢出了。因此并不适合两个都是大表的情况。
    在这里插入图片描述

    // 首先将数据量比较小的RDD的数据,collect到Driver中来。
    List<Tuple2<Long, Row>> rdd1Data = rdd1.collect()
    // 然后使用Spark的广播功能,将小RDD的数据转换成广播变量,这样每个Executor就只有一份RDD的数据。
    // 可以尽可能节省内存空间,并且减少网络传输性能开销。
    final Broadcast<List<Tuple2<Long, Row>>> rdd1DataBroadcast = sc.broadcast(rdd1Data);
    
    // 对另外一个RDD执行map类操作,而不再是join类操作。
    JavaPairRDD<String, Tuple2<String, Row>> joinedRdd = rdd2.mapToPair(
            new PairFunction<Tuple2<Long,String>, String, Tuple2<String, Row>>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Tuple2<String, Tuple2<String, Row>> call(Tuple2<Long, String> tuple)
                        throws Exception {
                    // 在算子函数中,通过广播变量,获取到本地Executor中的rdd1数据。
                    List<Tuple2<Long, Row>> rdd1Data = rdd1DataBroadcast.value();
                    // 可以将rdd1的数据转换为一个Map,便于后面进行join操作。
                    Map<Long, Row> rdd1DataMap = new HashMap<Long, Row>();
                    for(Tuple2<Long, Row> data : rdd1Data) {
                        rdd1DataMap.put(data._1, data._2);
                    }
                    // 获取当前RDD数据的key以及value。
                    String key = tuple._1;
                    String value = tuple._2;
                    // 从rdd1数据Map中,根据key获取到可以join到的数据。
                    Row rdd1Value = rdd1DataMap.get(key);
                    return new Tuple2<String, String>(key, new Tuple2<String, Row>(value, rdd1Value));
                }
            });
    
    // 这里得提示一下。
    // 上面的做法,仅仅适用于rdd1中的key没有重复,全部是唯一的场景。
    // 如果rdd1中有多个相同的key,那么就得用flatMap类的操作,在进行join的时候不能用map,而是得遍历rdd1所有数据进行join。
    // rdd2中每条数据都可能会返回多条join后的数据。
    

    6.采样倾斜key并分拆join操作
    针对的是两张大表join的情况,其中一张表或RDD的t1含有数据倾斜的情况,另一张表或RDD的t2数据分布均匀,我们可以针对t1进行取样数据,然后统计取样数据中key对应的数据量进行排序Top N,将这些数据量大的数据单独从t1中分离出来成一个RDD->t1_1,t1剩下分布较均匀的数据为t1_2,然后根据取样的数据去t2中找相同的数据,将t2中与t1中的取样单独成RDD的相同数据取出来作为t2_1,将t2_1的数据扩大n倍,并且随机添加0-n前缀,针对t1_1的数据也打上0-n前缀,这样扩大后的t2_1并且打上随机前缀就可以和t1_1join上了,称为join1.然后t1_2这普通的RDD和t2join,称为join2,最后join1与join2进行union,就是t1和t2所有的数据都进行了join了.

    方案适用场景: 两个RDD/Hive表进行join的时候,如果数据量都比较大,无法采用“解决方案五”,那么此时可以看一下两个RDD/Hive表中的key分布情况。如果出现数据倾斜,是因为其中某一个RDD/Hive表中的少数几个key的数据量过大,而另一个RDD/Hive表中的所有key都分布比较均匀,那么采用这个解决方案是比较合适的。

    方案实现思路:

    • 对包含少数几个数据量过大的key的那个RDD,通过sample算子采样出一份样本来,然后统计一下每个key的数量,计算出来数据量最大的是哪几个key。
    • 然后将这几个key对应的数据从原来的RDD中拆分出来,形成一个单独的RDD,并给每个key都打上n以内的随机数作为前缀,而不会导致倾斜的大部分key形成另外一个RDD。
    • 接着将需要join的另一个RDD,也过滤出来那几个倾斜key对应的数据并形成一个单独的RDD,将每条数据膨胀成n条数据,这n条数据都按顺序附加一个0~n的前缀,不会导致倾斜的大部分key也形成另外一个RDD。
    • 再将附加了随机前缀的独立RDD与另一个膨胀n倍的独立RDD进行join,此时就可以将原先相同的key打散成n份,分散到多个task中去进行join了。
      而另外两个普通的RDD就照常join即可。
    • 最后将两次join的结果使用union算子合并起来即可,就是最终的join结果。

    方案实现原理: 对于join导致的数据倾斜,如果只是某几个key导致了倾斜,可以将少数几个key分拆成独立RDD,并附加随机前缀打散成n份去进行join,此时这几个key对应的数据就不会集中在少数几个task上,而是分散到多个task进行join了。具体原理见下图。

    方案优点: 对于join导致的数据倾斜,如果只是某几个key导致了倾斜,采用该方式可以用最有效的方式打散key进行join。而且只需要针对少数倾斜key对应的数据进行扩容n倍,不需要对全量数据进行扩容。避免了占用过多内存。

    方案缺点: 如果导致倾斜的key特别多的话,比如成千上万个key都导致数据倾斜,那么这种方式也不适合。
    在这里插入图片描述

    // 首先从包含了少数几个导致数据倾斜key的rdd1中,采样10%的样本数据。
    JavaPairRDD<Long, String> sampledRDD = rdd1.sample(false, 0.1);
    
    // 对样本数据RDD统计出每个key的出现次数,并按出现次数降序排序。
    // 对降序排序后的数据,取出top 1或者top 100的数据,也就是key最多的前n个数据。
    // 具体取出多少个数据量最多的key,由大家自己决定,我们这里就取1个作为示范。
    JavaPairRDD<Long, Long> mappedSampledRDD = sampledRDD.mapToPair(
            new PairFunction<Tuple2<Long,String>, Long, Long>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Tuple2<Long, Long> call(Tuple2<Long, String> tuple)
                        throws Exception {
                    return new Tuple2<Long, Long>(tuple._1, 1L);
                }     
            });
    JavaPairRDD<Long, Long> countedSampledRDD = mappedSampledRDD.reduceByKey(
            new Function2<Long, Long, Long>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Long call(Long v1, Long v2) throws Exception {
                    return v1 + v2;
                }
            });
    JavaPairRDD<Long, Long> reversedSampledRDD = countedSampledRDD.mapToPair( 
            new PairFunction<Tuple2<Long,Long>, Long, Long>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Tuple2<Long, Long> call(Tuple2<Long, Long> tuple)
                        throws Exception {
                    return new Tuple2<Long, Long>(tuple._2, tuple._1);
                }
            });
    final Long skewedUserid = reversedSampledRDD.sortByKey(false).take(1).get(0)._2;
    
    // 从rdd1中分拆出导致数据倾斜的key,形成独立的RDD。
    JavaPairRDD<Long, String> skewedRDD = rdd1.filter(
            new Function<Tuple2<Long,String>, Boolean>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Boolean call(Tuple2<Long, String> tuple) throws Exception {
                    return tuple._1.equals(skewedUserid);
                }
            });
    // 从rdd1中分拆出不导致数据倾斜的普通key,形成独立的RDD。
    JavaPairRDD<Long, String> commonRDD = rdd1.filter(
            new Function<Tuple2<Long,String>, Boolean>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Boolean call(Tuple2<Long, String> tuple) throws Exception {
                    return !tuple._1.equals(skewedUserid);
                } 
            });
    
    // rdd2,就是那个所有key的分布相对较为均匀的rdd。
    // 这里将rdd2中,前面获取到的key对应的数据,过滤出来,分拆成单独的rdd,并对rdd中的数据使用flatMap算子都扩容100倍。
    // 对扩容的每条数据,都打上0~100的前缀。
    JavaPairRDD<String, Row> skewedRdd2 = rdd2.filter(
             new Function<Tuple2<Long,Row>, Boolean>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Boolean call(Tuple2<Long, Row> tuple) throws Exception {
                    return tuple._1.equals(skewedUserid);
                }
            }).flatMapToPair(new PairFlatMapFunction<Tuple2<Long,Row>, String, Row>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Iterable<Tuple2<String, Row>> call(
                        Tuple2<Long, Row> tuple) throws Exception {
                    Random random = new Random();
                    List<Tuple2<String, Row>> list = new ArrayList<Tuple2<String, Row>>();
                    for(int i = 0; i < 100; i++) {
                        list.add(new Tuple2<String, Row>(i + "_" + tuple._1, tuple._2));
                    }
                    return list;
                }
    
            });
    
    // 将rdd1中分拆出来的导致倾斜的key的独立rdd,每条数据都打上100以内的随机前缀。
    // 然后将这个rdd1中分拆出来的独立rdd,与上面rdd2中分拆出来的独立rdd,进行join。
    JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD1 = skewedRDD.mapToPair(
            new PairFunction<Tuple2<Long,String>, String, String>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Tuple2<String, String> call(Tuple2<Long, String> tuple)
                        throws Exception {
                    Random random = new Random();
                    int prefix = random.nextInt(100);
                    return new Tuple2<String, String>(prefix + "_" + tuple._1, tuple._2);
                }
            })
            .join(skewedUserid2infoRDD)
            .mapToPair(new PairFunction<Tuple2<String,Tuple2<String,Row>>, Long, Tuple2<String, Row>>() {
                            private static final long serialVersionUID = 1L;
                            @Override
                            public Tuple2<Long, Tuple2<String, Row>> call(
                                Tuple2<String, Tuple2<String, Row>> tuple)
                                throws Exception {
                                long key = Long.valueOf(tuple._1.split("_")[1]);
                                return new Tuple2<Long, Tuple2<String, Row>>(key, tuple._2);
                            }
                        });
    
    // 将rdd1中分拆出来的包含普通key的独立rdd,直接与rdd2进行join。
    JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD2 = commonRDD.join(rdd2);
    
    // 将倾斜key join后的结果与普通key join后的结果,uinon起来。
    // 就是最终的join结果。
    JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD = joinedRDD1.union(joinedRDD2);
    

    7.使用随机前缀和扩容RDD进行join
    针对还是一个RDD/Hive表有数据倾斜,另一个RDD/Hive表数据分布均匀,第一个RDD中有大量导致数据倾斜的key,那么就不能使用拆分的方式了.只能先对数据倾斜的RDD/Hive表里的每条数据打上n以内的随机数,对于另一个分布均匀的RDD/Hive表里的数据先扩容到n,然后每条数据也打上n以内的随机数,最后再将两个RDD进行join操作.

    方案适用场景: 如果在进行join操作时,RDD中有大量的key导致数据倾斜,那么进行分拆key也没什么意义,此时就只能使用最后一种方案来解决问题了。

    方案实现思路:

    • 该方案的实现思路基本和“解决方案六”类似,首先查看RDD/Hive表中的数据分布情况,找到那个造成数据倾斜的RDD/Hive表,比如有多个key都对应了超过1万条数据。

    • 然后将该RDD的每条数据都打上一个n以内的随机前缀。

    • 同时对另外一个正常的RDD进行扩容,将每条数据都扩容成n条数据,扩容出来的每条数据都依次打上一个0~n的前缀。

    • 最后将两个处理后的RDD进行join即可。

    方案实现原理: 将原先一样的key通过附加随机前缀变成不一样的key,然后就可以将这些处理后的“不同key”分散到多个task中去处理,而不是让一个task处理大量的相同key。该方案与“解决方案六”的不同之处就在于,上一种方案是尽量只对少数倾斜key对应的数据进行特殊处理,由于处理过程需要扩容RDD,因此上一种方案扩容RDD后对内存的占用并不大;而这一种方案是针对有大量倾斜key的情况,没法将部分key拆分出来进行单独处理,因此只能对整个RDD进行数据扩容,对内存资源要求很高。

    方案优点: 对join类型的数据倾斜基本都可以处理,而且效果也相对比较显著,性能提升效果非常不错。

    方案缺点: 该方案更多的是缓解数据倾斜,而不是彻底避免数据倾斜。而且需要对整个RDD进行扩容,对内存资源要求很高。

    方案实践经验: 曾经开发一个数据需求的时候,发现一个join导致了数据倾斜。优化之前,作业的执行时间大约是60分钟左右;使用该方案优化之后,执行时间缩短到10分钟左右,性能提升了6倍。

    // 首先将其中一个key分布相对较为均匀的RDD膨胀100倍。
    JavaPairRDD<String, Row> expandedRDD = rdd1.flatMapToPair(
            new PairFlatMapFunction<Tuple2<Long,Row>, String, Row>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Iterable<Tuple2<String, Row>> call(Tuple2<Long, Row> tuple)
                        throws Exception {
                    List<Tuple2<String, Row>> list = new ArrayList<Tuple2<String, Row>>();
                    for(int i = 0; i < 100; i++) {
                        list.add(new Tuple2<String, Row>(0 + "_" + tuple._1, tuple._2));
                    }
                    return list;
                }
            });
    
    // 其次,将另一个有数据倾斜key的RDD,每条数据都打上100以内的随机前缀。
    JavaPairRDD<String, String> mappedRDD = rdd2.mapToPair(
            new PairFunction<Tuple2<Long,String>, String, String>() {
                private static final long serialVersionUID = 1L;
                @Override
                public Tuple2<String, String> call(Tuple2<Long, String> tuple)
                        throws Exception {
                    Random random = new Random();
                    int prefix = random.nextInt(100);
                    return new Tuple2<String, String>(prefix + "_" + tuple._1, tuple._2);
                }
            });
    
    // 将两个处理后的RDD进行join即可。
    JavaPairRDD<String, Tuple2<String, Row>> joinedRDD = mappedRDD.join(expandedRDD);
    

    8.多种方案组合使用
    在实践中发现,很多情况下,如果只是处理较为简单的数据倾斜场景,那么使用上述方案中的某一种基本就可以解决。但是如果要处理一个较为复杂的数据倾斜场景,那么可能需要将多种方案组合起来使用。比如说,我们针对出现了多个数据倾斜环节的Spark作业,可以先运用解决方案一和二,预处理一部分数据,并过滤一部分数据来缓解;其次可以对某些shuffle操作提升并行度,优化其性能;最后还可以针对不同的聚合或join操作,选择一种方案来优化其性能。大家需要对这些方案的思路和原理都透彻理解之后,在实践中根据各种不同的情况,灵活运用多种方案,来解决自己的数据倾斜问题。


    总结

    预处理和过滤 :Hive ETL提前在hive阶段处理倾斜的数据,在后续spark中调用时会减轻shuffle的压力.或者在处理数据的时候提前将这倾斜的数据过滤掉.

    提高shuffle的并行度 :RDD算子增加并行度或者SQL中增加参数调节.

    分阶段聚合操作:对数据添加随机数,先将数据打散,先进行局部聚合,然后将随机数去掉,再进行总的聚合操作,减轻了shuffle read 的压力.

    join操作:join 分为大表和小表,大表和大表.
    针对大小表join,可以将小表broadcast到Executor中成为共享变量,然后供另一个大表利用map算子,对应小表相同key进行取值,也就达到了join的效果.

    大表与大表join基于一个表是数据倾斜,另一个数据分布均匀的.倾斜的情况分为导致数据倾斜的key是少数还是多少,少数的情况采用拆分key的方式,多数key导致的数据倾斜的话采用加随机数前缀和扩容的方式.具体思路见6和7.

    展开全文
  • 现有的微波光子雷达方案,可以通过微波光子混频技术实现宽带线性调频信号的去斜接收,这种方式可以有效降低接收机对模数转换采样率的要求,并且能显著减少数据处理量,提高数据处理的实时性。 目前的微波光子雷达...

    基于微波光子I/Q去斜接受的雷达系统

    痛点问题阐述
    线性调频信号具有易于产生与处理的特点,在目前报道的微波光子雷达中得到了广泛应用。现有的微波光子雷达方案,可以通过微波光子混频技术实现宽带线性调频信号的去斜接收,这种方式可以有效降低接收机对模数转换采样率的要求,并且能显著减少数据处理量,提高数据处理的实时性。

    目前的微波光子雷达通常采用单通道去斜接收,只能获得实信号。由于实信号的频谱关于零频对称,因此这种方法无法区分参考点两侧的目标,会造成距离向模糊。为了避免这种距离向的模糊,需要在雷达接收端进行I/Q接收,即同时采集回波信号的同相分量与正交分量,从而在数字信号处理时将回波信号变为复信号处理。

    线性调频信号具有易于产生与处理的特点,在目前报道的微波光子雷达中得到了广泛应用。现有的微波光子雷达方案,可以通过微波光子混频技术实现宽带线性调频信号的去斜接收,这种方式可以有效降低接收机对模数转换采样率的要求,并且能显著减少数据处理量,提高数据处理的实时性。

    目前的微波光子雷达通常采用单通道去斜接收,只能获得实信号。由于实信号的频谱关于零频对称,因此这种方法无法区分参考点两侧的目标,会造成距离向模糊。

    为了避免这种距离向的模糊,需要在雷达接收端进行I/Q接收,即同时采集回波信号的同相分量与正交分量,从而在数字信号处理时将回波信号变为复信号处理。

    常见解决方案
    有文献提出了基于I/Q电光调制器与90°光耦合器的I/Q接收机,分别在S波段与C波段对带宽100 MHz与200 MHz的线性调频信号实现了接近30 dB的镜频抑制比。

    也有文献提出了基于偏分复用-双驱动马赫曾德尔调制器的零中频I/Q混频器,工作范围达到10~40 GHz。

    但是,以上研究仅论证了系统对窄带信号的接收与处理,未验证所提方案对GHz及以上带宽的线性调频信号的I/Q接收性能。此外,这两种方案在实现I/Q接收时所需的参考本振由射频端口输入。这使得参考射频本振的分配与传输需在电域进行,或需要增加一级光/电转换,难以充分发挥光纤低损传输、抗电磁干扰等的优势,对微波光子雷达系统的整体性能不利。

    此论文解决方案
    此系统在发射端利用微波光子二倍频方法产生宽带线性调频信号,在接收端利用偏分复用-双驱动马赫曾德尔调制器两个偏振态上的并行调制及偏压控制,实现雷达回波信号的I/Q去斜接收。

    通过搭建带宽8 GHz (18~26 GHz)的微波光子雷达实验系统并开展目标探测与逆合成孔径成像的实验研究,证明了所提方案能有效解决现有微波光子雷达单路去斜接收中镜频干扰引起距离向模糊的问题,可显著提高微波光子雷达对目标的识别能力。

    本文提出了一种基于微波光子I/Q去斜接收的雷达系统。在发射端利用微波光子倍频实现了宽带线性调频信号的产生。接收端采用偏分复用-双驱动马赫曾德尔调制器,在两个正交偏振态上分别利用回波信号调制光载射频本振,并通过对调制器偏压的调节使两偏振态上所得去斜信号具有90°相位差,实现光域的I/Q去斜接收。
    此雷达在具备实时高分辨探测能力的同时,能区分参考点两侧的目标,解决了现有微波光子雷达接收机采用光子混频去斜接收中受镜频干扰导致距离向模糊的问题。

    写在后面
    此论文为南京航空航天大学潘时龙教授发在雷达学报的一篇论文,论文可在知网下载,标题同本标题。论文还论证了I/Q去斜接收的必要性,并设计了基于I/Q去斜接收的雷达系统进行验证,证明了此系统具备解决现有微波光子雷达接收机采用光子混频去斜接收中受镜频干扰导致距离向模糊的问题。

    展开全文
  • 利用天然发沸石离子交换脱除氨氮机理处理污水厂二级出水,通过对沸石离子交换柱的NH4+交换量、沸石柱离子交换柱的再生和再生盐水的脱氮进行分析,确定了去除污水厂二级出水中氨氮的工艺流程和适宜参数,经处理后氨氮...
  • 数据倾斜的原因 1.key 分布不均匀 2.业务数据本身的特性 ...第一个 MR Job 中, Map 的输出结果集合会随机分布到 Reduce 中,每个 Reduce 做部分聚合操作,并输出结果,这样处理的结果是相同 Group By Key 有可能被分
  • 本博客算法及代码参考自贾志刚老师的《OpenCV图像处理-小案例实战》,若涉及侵权问题,望通知,会第一时间删除。 算法功能: 1.图像角度倾斜矫正 (基于仿射变换) 2.去掉多余的边(轮廓查找+ROI提取) 原始...
  • 扫描图片批量倾斜校正底色是一款实用的图片倾斜校正工具,如果默认的参数得到的效果不是最优,可以在设置里选择一张图片,先把预览效果图片参数调节好,再进行批量转换,感兴趣的朋友不要错过了。 使用方法 1...
  • 匹配滤波又叫去斜处理去斜处理“有源相关”,通常用来处理极大带宽的LFM波形 (如果直接采样的话因为频带很宽所以在高频的时候需要的采样率就很大,采样点数就很多,所以要经过去斜处理)。 为了解决传统单频...
  • 采用微波光子混频去斜接接收技术不仅能对超宽带雷达回波进行处理,还可以显著降低雷达接收端的数据处理量,从而提高数据处理的实时性。目前报道的微波光子雷达分辨率已达1.3cm,实现成像的速率达100帧/秒,有望大幅...
  • hive数据倾斜

    2019-05-10 17:35:54
    注释:想要详细了解的朋友建议先看看mapreduce的运行原理 hive在处理数据时候,map端将hdfs上数据处理完会以<k ,v>的格式传给reduce端,由于可能某一部分的k值可能特别的多,某些特别少,导致某一部分reduce...
  • @Author : Spinach | GHB@Link : http://blog.csdn.net/bocai8058文章目录MapReduce的数据倾斜和解决方式数据倾斜根据MapReduce的执行流程以...而且每一个数据片段都会有一个maptask去处理,因此,数据倾斜只会在red...
  • Hive数据倾斜总结

    2021-03-01 21:08:50
    数据倾斜是大数据处理不可避免会遇到的问题,那么在Hive中数据倾斜又是如何导致的?通过本片本章,你可以清楚的认识为什么Hive中会发生数据倾斜;发生数据倾斜时我们又该用怎么的方案解决不同的数据倾斜问题。 一...
  • 1. 基于 inpaint 方法(网上的方法,处理质量较低)算法理论:基于Telea在2004年提出的基于快速行进的修复算法(FMM算法),先处理待修复区域边缘上的像素点,然后层层向内推进,直到修复完所有的像素点处理方式:由ui...
  • Hive数据倾斜

    2016-05-02 14:06:00
     使map的输出数据更均匀的分布到reduce中,是我们的最终目标。由于Hash算法的局限性,按key Hash会或多或少的造成数据倾斜。大量经验表明数据倾斜的原因是人为的建表疏忽或业务逻辑可以规避的。   解决思路: ...
  • Spark 解决数据倾斜

    2020-09-01 16:49:51
    一个 Spark 作业,会根据其内部的 Action 操作划分成多个 job,每个 job 内部又会根据 shuffle 操作划分成多个 stage,然后每个 stage 会分配多个 task 执行任务。每个 task 会领取一个 partition 的数据处理。 ...
  • 文本倾斜矫正自动纠偏

    千次阅读 2018-08-08 09:56:47
    在github上面发现一个用delphi写的文本倾斜矫正程序,记录下来https://github.com/huangliliu/Pictures-to-black-border 程序界面: 经过测试可以批量纠偏,黑边 处理前: 处理后: ...
  • 本文摘录自 腾讯OMG广告平台产品技术黑板报 王浙明   数据倾斜是海量数据处理的一个常见而又棘手的问题,如果在大的数据处理过程中出现了数据...比如说在某个数据处理的过程中,有1000个task执行,而998个task...
  • MR数据倾斜解决方案

    2020-03-13 20:41:26
    由于mapreduce程序是按照key的hash值进行分区的 , 如果某些单词特别多 , 特别多的单词就会被分到同一个reduce去处理 , 有些reducere任务处理的数据量小 有些reduce任务处理的数据量非常大 只有所有的reduce任务完成...
  • hive或者MR处理数据,不怕数据量大,就怕倾斜。hive里大表join的时候,数据倾斜就是个很头疼的问题。(用该用小表join大表) 参考: hive join 数据倾斜 真实案例
  • 条纹噪声的存在严重影响了海洋生物全息图重建像质量和进一步处理。抑制普通条纹的方法已不再适用于研究对象。因此,提出了一种有效的去噪方法。针对周期条纹噪声,利用局部阈值法寻找噪声频率位置,再采用高斯...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 431
精华内容 172
关键字:

去斜处理