[spark 面试]Shuffle的性能调优问题

1、Shuffle原理和运行机制回顾 
2、Shuffle性能调优

上面的流程中： 
性能问题1：Mapper端的Cache：如果Cache设置的大小不恰当，可能产生大量磁盘的访问操作，因为要频繁地往本地磁盘写数据。 
性能问题2：Reducer端的Business Logic运行的空间，如果说空间分配不够，业务逻辑运行的时候被迫把数据Spill到磁盘上面。一方面造成了业务逻辑处理的时候需要读写磁盘，另一方面也会造成不安全（数据读写故障）

看Log和Web UI上面的信息来判断是否需要调整上面的两个问题所涉及的参数。

针对问题1：Mapper端的性能调优参数是spark.shuffle.file.buffer，默认大小是32k，我们要根据数据量和并发量来适当调整该参数，尽量减少过于频繁的磁盘访问操作，开始是32k，后面可以调整成为64k，128k等等，需观察性能效果。 
针对问题2：spark.shuffle.memoryFracton 默认大小是0.2，Reducer端的业务逻辑运行占用Executor内存大小的20%，一个额外的说明：很多公司的Executor中线程的并行度在5个左右，调整的时候可以从0.2调整为0.3，0.4等