spark调优，调节并行度

spark并行度指的是什么？

并行度：其实就是指的是，spark作业中，各个stage的task数量，也就代表了sprark作业的各个阶段（stage)的并行度。

如果不调节，那么导致并行度过低，会怎么样？

假设，现在已经在spark-submit脚本中给我们的spark作业分配了足够的资源，比如50个executor,每个executor有10G内存，每个executor有3个cpu core.基本已经达到了集群或者yarn队列的资源上限制。

 

task没有设置，或者设置少，比如设置了100个task，50个executor，每个executor有3个cpu core，也就是说，你的Application任何一个stage运行的时候，都有总数在150个cpu core,可以并行运行。但是你现在，只有100个task,平均分配一下，每个executor分配到2个task,ok,那么同时在运行的task就只有100个，每个executor只会并行运行2个task,每个executor剩下的一个cpu core,就浪费掉了。

 

你的资源分配足够了，但是，并行度没有与资源相匹配，导致你分配下去的资源都浪费掉了。

合理的并行度的设置，应该是设置足够大，大到可以完全合理的利用你的集群资源；比如你上面的例子，总共集群有150个cpu core，可以并行运行150个task，那么就应该将你的app的并行度设置成150，才能完全有效的利用你的集群资源，让150个task,而且task增加到150个以后，即可以同时并行运行，还可以让每个task要处理的数据量变少；比如总共150G的数据要处理，如果是100个task，那么每个task要计算1.5G数据；现在增加到150个task，可以并行运行，那么每个task就处理1G的数据就可以

 

1. task数量，至少设置成与spark application的总cpu core数量相同（最理想的情况，比如总共有150个cpu core,分配了150个task,一起运行，差不多同一时间运行完毕）

2. 官方推荐，task数量，设置成spark application总cpu core的数量的2~3倍，比如150个cpu core,基本要设置task数量为300~500；实际情况，与理想情况不同的，有些task会运行的快一点，比如50s就完了，有些task，可能会慢一点，要1分半才运行完，所以如果你的task数量，刚好设置的跟cpu core数量相同，可能还是导致资源的浪费，因为，比如150个task可能10个先运行完了，其他140个还在运行，那么10个cpu core 先空闲，就导致浪费，那如果task数量设置成cpu core总数的2~3倍，那么一个task运行完了后，另一个task马上可以补上来，就尽量不要让cpu core补上来，同时也是尽量提升spark作业运行的效率和速度，提升性能。

3. 如何设置一个spark application的并行度？

spark.default.parallelism  这个在创建spark conf的时候就可以设置

new SparkConf()

   .set("spark.default.parallelism","500"),这个是150个并行度的设置方法