55、Spark性能优化之提高并行度

提高并行度原理.png

spark-submit里，配置了两个Executor，每个Executor，有5个cpu core
val conf = new SparkConf().setAppName("WordCount").set("spark.default.parallelism", "5")
这个参数一旦设置了，也就是，所有的RDD的partition都被设置成了5个，也就是说每个RDD的数据，会被拆成5份，那么，针对RDD的partition，一个partition，会启动一个task来进行计算，所以，对于所有的算子操作，都只会创建5个task，在集群中运行
但是，集群中，明明有10个cpu core，结果程序设置成了5个task，那么，有5个cpu core是空闲的，资源就被白白浪费了
其实，最好的情况是，每个cpu core都不空闲，一直在不断运转着，那么这个时候我们对集群的资源利用率是最高的，也意味着我们的sparl Application的性能使最高的
其实，我们完全可以设置20-30个task，而不仅仅只设置10个task，因为每个task执行的顺序和完成的时间可能是不一样的，那么如果正好是10个task，可能某个task很快就完成了，那么那个cpu就又空闲下来了，资源又浪费了
Spark官方推荐，设置集群总CPU数量的两倍到三倍的并行度，这样，每个cpu core可能分配到并发运行2到3个task线程，那么集群资源就不太可能出现空闲的情况，会连续运转，最大发挥出来集群的功效来

提高并行度

实际上Spark集群的资源并不一定会被充分利用到，所以要尽量设置合理的并行度，来充分地利用集群的资源。才能充分提高Spark应用程序的性能。
Spark会自动设置以文件作为输入源的RDD的并行度，依据其大小，比如HDFS，就会给每一个block创建一个partition，也依据这个设置并行度。对于reduceByKey等会发生shuffle的操作，就使用并行度最大的父RDD的并行度即可。
可以手动使用textFile()、parallelize()等方法的第二个参数来设置并行度；也可以使用spark.default.parallelism参数，来设置统一的并行度。Spark官方的推荐是，给集群中的每个cpu core设置2~3个task。
比如说，spark-submit设置了executor数量是10个，每个executor要求分配2个core，那么application总共会有20个core。此时可以设置new SparkConf().set("spark.default.parallelism", "60")来设置合理的并行度，从而充分利用资源。