Spark算子调优

1、使用mapPartitions或者mapPartitionWithIndex取代map操作，其中mapPartitions和mapPartitionWithIndex的区别在于是否将分区号index传入分区处理函数。
eg.对于将RDD中的数据写入数据库时，使用mapPartitions只需为每个分区建立一次jdbc连接，而map需要为每个数据建立连接。
同理还有foreach和foreachPartition
2、使用，coalesce取代repartition，这两个算子都是用来返回一个新指定分区的RDD。区别在于，repartition方法是coalesce的shuffle为true的情况，所以，对于减少父RDD分区数的情况时，直接使用coalesce算子，避免shuffle操作
3、使用repartitionAndSortWithinPartitions取代repartition和sort的联合操作。前者是官网推荐的算子，对于分区后还需要排序的情况，直接使用该算子，它可以做到一边分区，一边排序，比先分区再排序效率高。
4、使用treeReduce取代reduce，treeAggregate取代Aggregate
reduce操作和aggregate操作都是，将分区计算的结果传输到driver端进行合并。而treeReduce和treeAggregate会在executor端进行多次合并，减小driver的开销。
5、使用reduceByKey和aggregateByKey取代groupByKey。前两者的方法中都会调用combineByKeyWithClassTag，这个方法相当于mapreduce里的combine。会在本地先汇聚。而groupByKey不会在本地汇聚。
6、RDD复用。Spark对一个RDD执行多次算子的默认操作是：每次都会从源头处计算一遍，先计算出那个RDD，再进行算子的执行操作。所以需要在第一次使用时，做持久化，之后的操作就可以直接使用RDD，不需再从源头计算。
复用RDD的需要做到：
一、避免重复创建RDD，即，保证相同的数据源只创建一次RDD
二、避免创建一个RDD的子RDD，比如，RDD1是一个pairRDD，而RDD2只是RDD1中的value：
JavaPairRDD RDD1 = …
JavaRDD RDD2 = RDD1.map(…)
再分别对两个RDD执行不同的算子
RDD1.reduceByKey(…)
RDD2.map(…)
这种方式的RDD2就是重复创建的。完全可以通过下面的方式替代：
JavaPairRDD RDD1 = …
RDD1.reduceByKey(…)
RDD1.map(tuple._2…)
直接使用RDD1的每个数据的tuple._2即可。