{"id":30548,"date":"2019-10-31T21:36:08","date_gmt":"2019-10-31T18:36:08","guid":{"rendered":"https:\/\/prohoster.info\/blog\/konfigurirovanie-spark-na-yarn\/"},"modified":"2019-10-31T21:36:08","modified_gmt":"2019-10-31T18:36:08","slug":"konfigurirovanie-spark-na-yarn","status":"publish","type":"post","link":"https:\/\/prohoster.info\/sv\/blog\/news\/konfigurirovanie-spark-na-yarn","title":{"rendered":"Konfigurera Spark p\u00e5 YARN","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Hej Habr! Ig\u00e5r p\u00e5 <noindex><a rel=\"nofollow\" href=\"https:\/\/www.facebook.com\/events\/1825957590998380\/\">metoden om Apache Spark<\/a><\/noindex>, fr\u00e5n killarna p\u00e5 Rambler&amp;Co, fanns det ganska m\u00e5nga fr\u00e5gor fr\u00e5n deltagarna relaterade till konfigurationen av det h\u00e4r verktyget. Vi beslutade oss f\u00f6r att dela med oss av v\u00e5r erfarenhet i sp\u00e5ren av detta. \u00c4mnet \u00e4r inte enkelt \u2014 d\u00e4rf\u00f6r uppmanar vi till att dela med sig av erfarenheter \u00e4ven i kommentarerna, kanske vi ocks\u00e5 missf\u00f6rst\u00e5r och anv\u00e4nder n\u00e5got p\u00e5 fel s\u00e4tt.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><br \/>\nEn liten introduktion - hur vi anv\u00e4nder Spark. Vi har ett tre m\u00e5naders program <noindex><a rel=\"nofollow\" href=\"http:\/\/newprolab.com\/ru\/bigdata?utm_source=habr&amp;utm_campaign=spark\">\u201dSpecialist p\u00e5 stora data\u201d<\/a><\/noindex>, och under den andra modulen arbetar v\u00e5ra deltagare med detta verktyg. D\u00e4rf\u00f6r \u00e4r v\u00e5r uppgift, som arrang\u00f6rer, att f\u00f6rbereda en kluster f\u00f6r anv\u00e4ndning inom ramen f\u00f6r ett s\u00e5dant fall.<\/p>\n<p>V\u00e5r anv\u00e4ndning k\u00e4nnetecknas av att antalet personer som arbetar samtidigt p\u00e5 Spark kan vara lika med hela gruppen. Till exempel, p\u00e5 seminariet, n\u00e4r alla f\u00f6rs\u00f6ker n\u00e5got samtidigt och f\u00f6ljer v\u00e5r l\u00e4rare. Och det \u00e4r inte lite - ibland upptill 40 personer. Det finns nog inte s\u00e5 m\u00e5nga f\u00f6retag i v\u00e4rlden som st\u00e5r inf\u00f6r ett s\u00e5dant anv\u00e4ndningsscenario.<\/p>\n<p>Jag kommer att ber\u00e4tta hur och varf\u00f6r vi valde dessa eller andra konfigurationsparametrar.<\/p>\n<p>L\u00e5t oss b\u00f6rja fr\u00e5n b\u00f6rjan. Spark har 3 alternativ f\u00f6r att arbeta p\u00e5 klustret: standalone, med anv\u00e4ndning av Mesos och med anv\u00e4ndning av YARN. Vi valde det tredje alternativet eftersom det verkade logiskt f\u00f6r oss. Vi har redan ett Hadoop-kluster. V\u00e5ra deltagare \u00e4r redan v\u00e4l f\u00f6rtrogna med dess arkitektur. L\u00e5t oss anv\u00e4nda YARN.<\/p>\n<pre><code class=\"apache\">spark.master=yarn<\/code><\/pre>\n<p>\nDet blir intressantare. Varje av dessa 3 distributionsalternativ har 2 distributionsl\u00e4gen: client och cluster. Baserat p\u00e5 <noindex><a rel=\"nofollow\" href=\"http:\/\/spark.apache.org\/docs\/latest\/running-on-yarn.html\">dokumentationen<\/a><\/noindex> och olika l\u00e4nkar p\u00e5 internet kan man dra slutsatsen att client \u00e4r l\u00e4mplig f\u00f6r interaktivt arbete - till exempel via Jupyter Notebook, medan cluster passar b\u00e4ttre f\u00f6r produktionsl\u00f6sningar. I v\u00e5rt fall var vi intresserade av interaktivt arbete, s\u00e5:<\/p>\n<pre><code class=\"apache\">spark.deploy-mode=client<\/code><\/pre>\n<p>\nI allm\u00e4nhet kommer Spark att b\u00f6rja fungera p\u00e5 YARN fr\u00e5n och med nu, men det r\u00e4ckte inte f\u00f6r oss. Eftersom v\u00e5rt program handlar om stora datam\u00e4ngder saknade deltagarna ibland det som uppn\u00e5ddes genom en j\u00e4mn f\u00f6rdelning av resurser. Och h\u00e4r hittade vi n\u00e5got intressant \u2014 dynamisk resursallokering. Kort sagt, om du har en tung uppgift och klustret \u00e4r ledigt (till exempel p\u00e5 morgonen), kan Spark ge dig extra resurser med hj\u00e4lp av den h\u00e4r funktionen. Behovet ber\u00e4knas med en smart formel. Vi g\u00e5r inte in p\u00e5 detaljer \u2014 den fungerar bra.<\/p>\n<pre><code class=\"apache\">spark.dynamicAllocation.enabled=true<\/code><\/pre>\n<p>\nVi st\u00e4llde in den h\u00e4r parametern och n\u00e4r vi startade Spark klagade den och startade inte. Det var r\u00e4tt, f\u00f6r vi skulle ha l\u00e4st <noindex><a rel=\"nofollow\" href=\"http:\/\/spark.apache.org\/docs\/latest\/configuration.html\">dokumentationen<\/a><\/noindex> mer noggrant. D\u00e4r anges att f\u00f6r att allt ska vara okej, m\u00e5ste vi \u00e4ven aktivera en ytterligare parameter.<\/p>\n<pre><code class=\"apache\">spark.shuffle.service.enabled=true<\/code><\/pre>\n<p>\nVad beh\u00f6vs den till? N\u00e4r v\u00e5r jobb inte l\u00e4ngre kr\u00e4ver s\u00e5 m\u00e5nga resurser, ska Spark \u00e5terl\u00e4mna dem till den gemensamma poolen. Det mest resurskr\u00e4vande steget i n\u00e4stan vilken MapReduce-uppgift som helst \u00e4r Shuffle-steget. Den h\u00e4r parametern m\u00f6jligg\u00f6r att spara de data som genereras i detta steg och d\u00e4rmed frig\u00f6ra executors. En executor \u00e4r en process som ber\u00e4knar allt p\u00e5 arbetaren. Den har ett visst antal processor-k\u00e4rnor och en viss m\u00e4ngd minne.<\/p>\n<p>Vi lade till den h\u00e4r parametern. Allt verkade fungera. Det blev tydligt att deltagarna verkligen fick mer resurser n\u00e4r de beh\u00f6vde det. Men ett annat problem uppstod \u2014 vid n\u00e5got tillf\u00e4lle vaknade andra deltagare och ville ocks\u00e5 anv\u00e4nda Spark, men allt var upptaget och de var missn\u00f6jda. Man kan f\u00f6rst\u00e5 dem. Vi b\u00f6rjade kolla i dokumentationen. D\u00e4r visade det sig att det finns ytterligare n\u00e5gra parametrar som man kan p\u00e5verka processen med. Till exempel, om en executor \u00e4r i v\u00e4ntel\u00e4ge \u2014 efter hur l\u00e5ng tid kan man ta tillbaka resurserna?<\/p>\n<pre><code class=\"apache\">spark.dynamicAllocation.executorIdleTimeout=120s<\/code><\/pre>\n<p>\nI v\u00e5rt fall \u2013 om era executors inte g\u00f6r n\u00e5got under tv\u00e5 minuter, v\u00e4nligen \u00e5terf\u00f6r dem till den gemensamma poolen. Men \u00e4ven denna parameter har inte alltid varit tillr\u00e4cklig. Det var tydligt att personen inte gjort n\u00e5got p\u00e5 l\u00e4nge, men resurserna frigjordes inte. Det visade sig att det fanns en s\u00e4rskild parameter \u2013 efter hur l\u00e5ng tid ska man ta bort executors som har cachade data. Som standard var denna parameter inst\u00e4lld p\u00e5 \u2013 o\u00e4ndlighet! Vi korrigerade det.<\/p>\n<pre><code class=\"apache\">spark.dynamicAllocation.cachedExecutorIdleTimeout=600s<\/code><\/pre>\n<p>\nDet vill s\u00e4ga om era executors inte g\u00f6r n\u00e5got under 5 minuter, \u00e5terl\u00e4mna dem till den gemensamma poolen. I detta l\u00e4ge har hastigheten f\u00f6r att frig\u00f6ra och tilldela resurser f\u00f6r ett stort antal anv\u00e4ndare blivit acceptabel. Antalet missn\u00f6jda har minskat. Men vi best\u00e4mde oss f\u00f6r att g\u00e5 l\u00e4ngre och begr\u00e4nsa det maximala antalet executors per applikation \u2013 i praktiken per deltagare i programmet.<\/p>\n<pre><code class=\"apache\">spark.dynamicAllocation.maxExecutors=19<\/code><\/pre>\n<p>\nNu har det f\u00f6rst\u00e5s uppst\u00e5tt missn\u00f6je fr\u00e5n en annan sida \u2013 \"klustret st\u00e5r still, men jag har bara 19 executors\", men vad ska man g\u00f6ra \u2013 man m\u00e5ste hitta en r\u00e4tt balans. Man kan inte g\u00f6ra alla glada.<\/p>\n<p>Och en liten historia till, relaterad till v\u00e5r fallspecifikation. N\u00e5gra personer kom f\u00f6r sent till praktikal, och deras Spark startade av n\u00e5gon anledning inte. Vi tittade p\u00e5 antalet fria resurser \u2013 det verkar som att det fanns. Spark borde starta. Lyckligtvis hade dokumentationen redan blivit inprogrammerad i v\u00e5ra sinnen, och vi kom ih\u00e5g att n\u00e4r Spark startar s\u00e5 letar den efter en port att starta p\u00e5. Om den f\u00f6rsta porten i intervallet \u00e4r upptagen g\u00e5r den till n\u00e4sta. Om den \u00e4r ledig, tar den den. Det finns en parameter som anger det maximala antalet f\u00f6rs\u00f6k f\u00f6r detta. Som standard \u00e4r det 16. Det \u00e4r f\u00e4rre \u00e4n antalet personer i v\u00e5r grupp under praktikal. D\u00e4rf\u00f6r efter 16 f\u00f6rs\u00f6k gav Spark upp och sa att jag kan inte starta. Vi r\u00e4ttade denna parameter.<\/p>\n<pre><code class=\"apache\">spark.port.maxRetries=50<\/code><\/pre>\n<p>\nJag kommer nu att ber\u00e4tta om vissa inst\u00e4llningar, som inte l\u00e4ngre \u00e4r starkt relaterade till specifikationen av v\u00e5rt fall.<\/p>\n<p>F\u00f6r en snabbare start av Spark finns rekommendationen att arkivera mappen jars som ligger i hemkatalogen SPARK_HOME och l\u00e4gga den p\u00e5 HDFS. D\u00e5 kommer den inte att sl\u00f6sa tid p\u00e5 att ladda dessa jar-filer till workern.<\/p>\n<pre><code class=\"apache\">spark.yarn.archive=hdfs:\/\/\/tmp\/spark-archive.zip<\/code><\/pre>\n<p>\nF\u00f6r en snabbare prestanda rekommenderas det att anv\u00e4nda kryo som serialiserare. Det \u00e4r mer optimerat \u00e4n den som \u00e4r standard.<\/p>\n<pre><code class=\"apache\">spark.serializer=org.apache.spark.serializer.KryoSerializer<\/code><\/pre>\n<p>\nDet finns ocks\u00e5 ett gammalt problem med Spark d\u00e4r det ofta kraschar p\u00e5 grund av minnesbrist. Detta h\u00e4nder ofta n\u00e4r arbetsutr\u00e4kningarna \u00e4r klara och resultaten skickas till drivern. Vi har \u00f6kat den h\u00e4r parametern. Som standard \u00e4r den 1 GB, vi har st\u00e4llt in den p\u00e5 3.<\/p>\n<pre><code class=\"apache\">spark.driver.maxResultSize=3072<\/code><\/pre>\n<p>\nOch slutligen, som en dessert. Hur man uppdaterar Spark till version 2.1 p\u00e5 HortonWorks-distributionen \u2013 HDP 2.5.3.0. Denna version av HDP inneh\u00e5ller en f\u00f6rinstallerad version 2.0, men vi best\u00e4mde oss f\u00f6r att Spark utvecklas ganska aktivt, och varje ny version fixar vissa buggar samt ger nya m\u00f6jligheter, inklusive f\u00f6r python API, s\u00e5 vi besl\u00f6t att det beh\u00f6vdes en uppdatering.<\/p>\n<p>Vi laddade ner versionen fr\u00e5n den officiella hemsidan f\u00f6r Hadoop 2.7. Vi extraherade den och flyttade den till mappen med HDP. Vi satte upp symlinkar som vi skulle. N\u00e4r vi f\u00f6rs\u00f6kte starta det, ville det inte starta. Det visade ett mycket otydligt felmeddelande.<\/p>\n<pre><code class=\"apache\">java.lang.NoClassDefFoundError: com\/sun\/jersey\/api\/client\/config\/ClientConfig<\/code><\/pre>\n<p>\nEfter att ha googlat fann vi att Spark beslutade sig f\u00f6r att inte v\u00e4nta p\u00e5 Hadoop och valde att anv\u00e4nda en ny version av jersey. De diskuterar detta med varandra i JIRA. L\u00f6sningen var att ladda ner <noindex><a rel=\"nofollow\" href=\"https:\/\/mvnrepository.com\/artifact\/com.sun.jersey\/jersey-bundle\/1.17.1\">jersey version 1.17.1<\/a><\/noindex>. Flytta detta till mappen jars i SPARK_HOME, zippa igen och ladda upp det p\u00e5 HDFS.<\/p>\n<p>Vi l\u00f6ste detta fel, men en ny och ganska diffus uppstod.<\/p>\n<pre><code class=\"apache\">org.apache.spark.SparkException: Yarn-appen har redan avslutats! Den kan ha blivit d\u00f6dad eller inte kunnat lansera applikationsledaren.<\/code><\/pre>\n<p>\nVid detta tillf\u00e4lle f\u00f6rs\u00f6kte vi k\u00f6ra version 2.0 \u2013 allt funkade. F\u00f6rs\u00f6k att gissa vad problemet kan vara. Vi granskade loggarna f\u00f6r denna applikation och s\u00e5g n\u00e5got s\u00e5dant:<\/p>\n<pre><code class=\"apache\">\/usr\/hdp\/${hdp.version}\/hadoop\/lib\/hadoop-lzo-0.6.0.${hdp.version}.jar<\/code><\/pre>\n<p>\nKort sagt, av n\u00e5gon anledning uppl\u00f6stes inte hdp.version. Efter att ha googlat fann vi l\u00f6sningen. Vi beh\u00f6vde g\u00e5 till inst\u00e4llningarna f\u00f6r YARN i Ambari och l\u00e4gga till en parameter i custom yarn-site:<\/p>\n<pre><code class=\"apache\">hdp.version=2.5.3.0-37<\/code><\/pre>\n<p>\nDenna magi hj\u00e4lpte, och Spark fl\u00f6g. Vi testade flera av v\u00e5ra jupyter-notebooks. Allt fungerar. Inf\u00f6r den f\u00f6rsta lektionen om Spark p\u00e5 l\u00f6rdag (redan imorgon) \u00e4r vi redo!<\/p>\n<p><b>UPD<\/b>. Under lektionen uppstod ytterligare ett problem. Vid n\u00e5got tillf\u00e4lle slutade YARN att tilldela containrar f\u00f6r Spark. Det var n\u00f6dv\u00e4ndigt att justera en parameter i YARN, som som standard var 0.2:<\/p>\n<pre><code class=\"apache\">yarn.scheduler.capacity.maximum-am-resource-percent=0.8<\/code><\/pre>\n<p>\nDet vill s\u00e4ga att endast 20 % av resurserna deltog i resursutdelningen. Vi \u00e4ndrade inst\u00e4llningarna och startade om YARN. Problemet l\u00f6stes, och \u00f6vriga deltagare kunde ocks\u00e5 starta spark context.<br \/>\n<br \/>K\u00e4lla: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/newprolab\/blog\/327556\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0425\u0430\u0431\u0440, \u043f\u0440\u0438\u0432\u0435\u0442! \u0412\u0447\u0435\u0440\u0430 \u043d\u0430 \u043c\u0438\u0442\u0430\u043f\u0435, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u043e\u043c Apache Spark, \u043e\u0442 \u0440\u0435\u0431\u044f\u0442 \u0438\u0437 Rambler&#038;Co, \u0431\u044b\u043b\u043e \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043c\u043d\u043e\u0433\u043e \u0432\u043e\u043f\u0440\u043e\u0441\u043e\u0432 \u043e\u0442 \u0443\u0447\u0430\u0441\u0442\u043d\u0438\u043a\u043e\u0432, \u0441\u0432\u044f\u0437\u0430\u043d\u043d\u044b\u0445 \u0441 \u043a\u043e\u043d\u0444\u0438\u0433\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435\u043c \u044d\u0442\u043e\u0433\u043e \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430. \u0420\u0435\u0448\u0438\u043b\u0438 \u043f\u043e \u0435\u0433\u043e \u0441\u043b\u0435\u0434\u0430\u043c \u043f\u043e\u0434\u0435\u043b\u0438\u0442\u044c\u0441\u044f \u0441\u0432\u043e\u0438\u043c \u043e\u043f\u044b\u0442\u043e\u043c. \u0422\u0435\u043c\u0430 \u043d\u0435\u043f\u0440\u043e\u0441\u0442\u0430\u044f \u2014 \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u0435\u043c \u0434\u0435\u043b\u0438\u0442\u044c\u0441\u044f \u043e\u043f\u044b\u0442\u043e\u043c \u0442\u043e\u0436\u0435 \u0432 \u043a\u043e\u043c\u043c\u0435\u043d\u0442\u0430\u0440\u0438\u044f\u0445, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u043c\u044b \u0442\u043e\u0436\u0435 \u0447\u0442\u043e-\u0442\u043e \u043d\u0435 \u0442\u0430\u043a \u043f\u043e\u043d\u0438\u043c\u0430\u0435\u043c \u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c. \u041d\u0435\u0431\u043e\u043b\u044c\u0448\u0430\u044f \u0432\u0432\u043e\u0434\u043d\u0430\u044f \u2014 \u043a\u0430\u043a \u043c\u044b [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-30548","post","type-post","status-publish","format-standard","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.5.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0425\u0430\u0431\u0440, \u043f\u0440\u0438\u0432\u0435\u0442!\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/sv\/blog\/news\/konfigurirovanie-spark-na-yarn\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.5.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"sv_SE\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041a\u043e\u043d\u0444\u0438\u0433\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 Spark \u043d\u0430 YARN | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0425\u0430\u0431\u0440, \u043f\u0440\u0438\u0432\u0435\u0442!\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/sv\/blog\/news\/konfigurirovanie-spark-na-yarn\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2019-10-31T18:36:08+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2019-10-31T18:36:08+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Konfigurering av Spark p\u00e5 YARN | ProHoster","description":"Habr, hej!","canonical_url":"https:\/\/prohoster.info\/sv\/blog\/news\/konfigurirovanie-spark-na-yarn","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"sv_SE","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041a\u043e\u043d\u0444\u0438\u0433\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 Spark \u043d\u0430 YARN | ProHoster","og:description":"\u0425\u0430\u0431\u0440, \u043f\u0440\u0438\u0432\u0435\u0442!","og:url":"https:\/\/prohoster.info\/sv\/blog\/news\/konfigurirovanie-spark-na-yarn","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T18:36:08+00:00","article:modified_time":"2019-10-31T18:36:08+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"30548","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 01:45:22","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 03:33:26","updated":"2026-01-21 01:45:22","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts\/30548","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/comments?post=30548"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts\/30548\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/media?parent=30548"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/categories?post=30548"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/tags?post=30548"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}