spark内核揭秘-14-Spark性能优化的10大问题及其解决方案

问题1:reduce task数目不合适

解决方案:

       需要根据实际情况调整默认配置,调整方式是修改参数Spark.default.parallelism。通常的,reduce数目设置为core数目的2-3倍。数量太大,造成很多小任务,增加启动任务的开销;数目太小,任务运行缓慢。所以要合理修改reduce的task数目即spark.default.parallelism


问题2:shuffle磁盘IO时间长

解决方案:

       设置spark.local.dir为多个磁盘,并设置磁盘的IO速度快的磁盘,通过增加IO来优化shuffle性能;


问题3:map|reduce数量大,造成shuffle小文件数目多

解决方案:

       通过设置spark.shuffle.consolidateFiles为true,来合并shuffle中间文件,此时文件数为reduce tasks数目;


问题4:序列化时间长、结果大

解决方案:

       spark默认使用JDK 自带的ObjectOutputStream,这种方式产生的结果大、CPU处理时间长,可以通过设置spark.serializer为org.apache.spark.serializer.KeyoSerializer。

另外如果结果已经很大,那就最好使用广播变量方式了,结果你懂得。


问题5:单条记录消耗大

解决方案:

       使用mapPartition替换map,mapPartition是对每个Partition进行计算,而map是对partition中的每条记录进行计算;


问题6 : collect输出大量结果时速度慢

解决方案:

       collect源码中是把所有的结果以一个Array的方式放在内存中,可以直接输出到分布式的文件系统,然后查看文件系统中的内容;


问题7: 任务执行速度倾斜

解决方案:

       如果数据倾斜,一般是partition key取得不好,可以考虑其他的并行处理方式,并在中间加上aggregation操作;如果是Worker倾斜,例如在某些Worker上的executor执行缓慢,可以通过设置spark.speculation=true 把那些持续慢的节点去掉;


问题8: 通过多步骤的RDD操作后有很多空任务或者小任务产生

解决方案:

       使用coalesce或者repartition去减少RDD中partition数量;


问题9:Spark Streaming吞吐量不高

解决方案:

       可以设置spark.streaming.concurrentJobs


问题10:Spark Streaming 运行速度突然下降了,经常会有任务延迟和阻塞

解决方案:

       这是因为我们设置job启动interval时间间隔太短了,导致每次job在指定时间无法正常执行完成,换句话说就是创建的windows窗口时间间隔太密集了;

长按识别关注我们,每天都有精彩内容分享哦  ~ ~



你可能感兴趣的:(spark,Spark性能优化,spark内核,大数据学习,大数据,spark,Hadoop,大数据学习)