spark性能优化

1、分配更多的资源

1.1、分配哪些资源

executor-memory、executor-cores、num-executor

1.2、在哪里设置这些资源

在生成环境中，提交spark任务时，使用spark-submit shell脚本，可以调整对应的参数
提交任务的脚本

spark-submit \
--master saprk://node01:7077 \
--class cn.tuyou.Wordcount \
--num-executor 3 \      //配置executor的数量
--driver-memory 5g \	//配置driver的内存（无太大影响）
--executor-memory 1g \  //配置每一个executor的内存大小
--executor-cores 3 \    //配置每一个executor的cpu个数

1.3、设置这些资源为什么能优化

提高executor-memory，能提高executor的内存大小，本质提高的读取文件的速度
提高executor-cores，能提高每个executor的cpu个数，本质增强的处理task的并行执行能力
提高num-executor，即提高集群部署的主机数量，这个是最有效的优化（有钱就是任性）

2、提高并行度

假设，一个application设置的分区数=10个，我们设置的cpu总核数=50个，假设每个task要处理的数据量1G。
目前cpu资源同一时间可以运行50个task，但是目前我们只有10个task，所以会有40个cpu处于空闲状态。

那么如果我们将分区数设置为50个，那每一个taks处理的数据量是0.2G，同一时间，50个task都可以运行。然后整个的运行效率就有所提升。在项目中分区数一般设置为cpu核数的2-3倍最佳

2.1、设置分区数的方式

• 参数设置
  • sparkCore参数：spark.default.parallelism
  • sparkSQL参数：spark.sql.shuffle.partitions
• 通过算子：repartition、coalese

3、RDD重用与持久化

3.1、未持久化与持久化的比较

如上图所示的计算逻辑：
（1）当第一次使用rdd3做相应的算子操作得到rdd4的时候，就会从rdd1开始计算，先读取HDFS上的文件，然后对rdd1 做对应的算子操作得到rdd2,再由rdd2计算之后得到rdd3，rdd3计算之后得到rdd4。同样为了计算得到rdd5，前面的逻辑会被重新计算。
（2）默认情况下多次对一个rdd执行算子操作，去获取不同的rdd，都会对这个rdd及之前的父rdd全部重新计算一次。 这种情况在实际开发代码的时候会经常遇到，但是我们一定要避免一个rdd重复计算多次，否则会导致性能急剧降低。 总结：可以把多次使用到的rdd，也就是公共rdd进行持久化，避免后续需要，再次重新计算，提升效率。

3.2、如何对rdd进行持久化

• 可以调用rdd的cache或者persist方法。
  • cache方法默认是把数据持久化到内存中 ，例如：rdd.cache ，其本质还是调用了persist方法
  • persist方法中有丰富的缓存级别，这些缓存级别都定义在StorageLevel这个object中，可以结合实际的应用场景合理的设置缓存级别。例如： rdd.persist(StorageLevel.MEMORY_ONLY),这是cache方法的实现。

4、序列化

• 比如当对rdd进行持久化时，如果选择缓存级别选了磁盘备份，就会涉及到序列化；
  在计算之后的结果内存放不下，spark也会涉及序列化；
  选择正确的序列化本质上可以减少占用的空间和便于网络传输；

• 项目中一般使用kryo序列化，使用方式，在代码中设置参数：

SparkSession.builder().config(“spark.serializer” , “org.apache.spark.serializer.KryoSerializer”)
Spark支持使用Kryo序列化机制。Kryo序列化机制，比默认的Java序列化机制，速度要快，序列化后的数据要更小，
大概是Java序列化机制的1/10。

5、本地化等待时间

• 设置参数：“spark.locality.wait”例如设置为“8s”
  • 首先采用最佳的方式，等待8s后降级,还是不行，继续降级…,最后还是不行，只能够采用最差的。
• 本地化级别

  process_local:进程本地化
  node_local: 节点本地化
  rack_local: 机架本地化
  any: 无限制

• 查看task的本地化的级别，可以打开sparkUI界面查看，
• 也可以把程序提交到spark集群中运行，注意观察日志，spark作业的运行日志，推荐大家在测试的时候，先用client模式，在本地就直接可以看到比较全的日志。 日志里面会显示，starting task … PROCESS LOCAL、NODE LOCAL…

6、内存比例调优

6.1、executor内存分析

6.2、内存参数调整

• 指定spark执行与存储的内存比例

  spark.memory.fraction=“0.6”

• 指定spark存储的内存比例

  spark.memory.storageFraction=“0.5”

7、JVM调优

7.1、JVM内存分析

• 1、初始创建对象的时候，对象放在Eden中。
• 2、随时间的流逝，Eden中存放的对象越来越多，当Eden区域满了的时候，会进行minor GC，会将Eden中还在使用的对象放入到survivor0中，不需要的对象清除掉，清除掉之后Eden就变空了
• 3、Eden中有可以重新接纳对象，随时间的流逝，Eden中存放的对象越来越多，当Eden区域满了的时候，又会进行minor GC，会将Eden与Survivor中还在使用的对象放入到survivor1中，Eden与survivor0中不再使用的对象清除掉
• 4、循环第3个步骤
• 5、当survivor中空间不足，会将还在使用的对象放入到老年代中
• 6、循环3-5的步骤
• 7、随着时间的流逝，老年代中空间不足，这时候就需要major GC（即full GC），full GC的时候，进行对暂停一切操作，优先GC。这时候就可能还会出现拉取shuffle数据失败。

7.2、GC调优参数

• 如果在sparkUI发现GC的时间特别长，证明存储对象的内存空间过小，这时候需要增大内存
  • 增大内存有两种方式：一种是直接将executor-memory设置大一点，
  • 第二种就是将执行与存储的内存比例调小
• 如果在spark任务中存储的数据比较小，就可以将存储的内存比例调小，将更多的空间给执行区
• 如果在GC的时候拉取shuffle数据失败，会有一个重试次数，如果重试之后，任然没有拉取到数据，任务报错，停止执行，针对这个问题，可以调整拉取shuffle失败的参数，可以有效解决
  • spark.shuffle.io.maxRetries=“6”
  • spark.shuffle.io.retryWait=“10s”