SparkSQL_Spark2+ 的SparkSQL 性能调优

参考文章：

1.Spark2+的sql 性能调优

https://www.cnblogs.com/yyy-blog/p/10260988.html

 

 

更多参考官方文档 ！！！

http://spark.apache.org/docs/latest/sql-performance-tuning.html

 

重要的要点

• 在内存中缓存数据
• 性能优化相关参数
• 广播
• 分区数据的调控
• 文件与分区
• 文件格式

 

1、在内存中缓存数据

性能调优主要是将数据放入内存中操作，spark缓存注册表的方法

版本	缓存	释放缓存
spark2.+	spark.catalog.cacheTable("tableName")缓存表	spark.catalog.uncacheTable("tableName")解除缓存
spark1.+	sqlContext.cacheTable("tableName")缓存	sqlContext.uncacheTable("tableName") 解除缓存

 

Demo案例：

（1）从Oracle数据库中读取数据，生成DataFrame

val oracleDF = spark.read.format("jdbc")
.option("url","jdbc:oracle:thin:@192.168.88.101:1521/orcl.example.com")
.option("dbtable","scott.emp")
.option("user","scott")
.option("password","tiger").load

（2）将DataFrame注册成表：   

 oracleDF.registerTempTable("emp")

（3）执行查询，并通过Web Console监控执行的时间

spark.sql("select * from emp").show

（4）将表进行缓存，并查询两次，并通过Web Console监控执行的时间

spark.catalog.cacheTable("emp")

（5）清空缓存：

spark.catalog.uncacheTable("emp")

 

 

2、性能优化相关参数

 

Sparksql仅仅会缓存必要的列，并且自动调整压缩算法来减少内存和GC压力。

属性	默认值	描述
spark.sql.inMemoryColumnarStorage.compressed	true	Spark SQL 将会基于统计信息自动地为每一列选择一种压缩编码方式。
spark.sql.inMemoryColumnarStorage.batchSize	10000	缓存批处理大小。缓存数据时, 较大的批处理大小可以提高内存利用率和压缩率，但同时也会带来 OOM（Out Of Memory）的风险。
spark.sql.files.maxPartitionBytes	128 MB	读取文件时单个分区可容纳的最大字节数（不过不推荐手动修改，可能在后续版本自动的自适应修改）
spark.sql.files.openCostInBytes	4M	打开文件的估算成本, 按照同一时间能够扫描的字节数来测量。当往一个分区写入多个文件的时候会使用。高估更好, 这样的话小文件分区将比大文件分区更快 (先被调度)。

 

 

3. 广播

在进行表join的时候，将小表广播可以提高性能，spark2.+中可以调整以下参数、

属性	默认值	描述
spark.sql.broadcastTimeout	300	广播等待超时时间，单位秒
spark.sql.autoBroadcastJoinThreshold	10M	用于配置一个表在执行 join 操作时能够广播给所有 worker 节点的最大字节大小。通过将这个值设置为 -1 可以禁用广播。注意，当前数据统计仅支持已经运行了 ANALYZE TABLE COMPUTE STATISTICS noscan 命令的 Hive Metastore 表。

注：在任务超多，广播变量在跨stage使用数据的时候才能凸显其真正作用。

 

 

4. 分区数据的调控

spark任务并行度的设置中，spark有两个参数可以设置

属性	默认值	描述
spark.sql.shuffle.partitions	200	用于配置 join 或aggregate混洗（shuffle）数据时使用的分区数。
spark.default.parallelism	对于分布式shuffle操作像reduceByKey和join，父RDD中分区的最大数目。 对于无父RDD的并行化等操作，它取决于群集管理器： -本地模式：本地计算机上的核心数 -Mesos fine grained mode：8 -其他：所有执行节点上的核心总数或2，以较大者为准	分布式shuffle操作的分区数

 

看起来它们的定义似乎也很相似，但在实际测试中，

• spark.default.parallelism只有在处理RDD时才会起作用，对Spark SQL的无效。
• spark.sql.shuffle.partitions则是对sparks SQL专用的设置

 

5. 文件与分区

这个总共有两个参数可以调整：

• 读取文件的时候一个分区接受多少数据；
• 文件打开的开销，通俗理解就是小文件合并的阈值。

文件打开是有开销的，开销的衡量，Spark 采用了一个比较好的方式就是打开文件的开销用，相同时间能扫描的数据的字节数来衡量。

参数介绍如下：

属性	默认值	描述
spark.sql.files.maxPartitionBytes	134217728 (128 MB)	打包传入一个分区的最大字节，在读取文件的时候
spark.sql.files.openCostInBytes	4194304 (4 MB)	用相同时间内可以扫描的数据的大小来衡量打开一个文件的开销。当将多个文件写入同一个分区的时候该参数有用。该值设置大一点有好处，有小文件的分区会比大文件分区处理速度更快（优先调度）

spark.sql.files.maxPartitionBytes该值的调整要结合你想要的并发度及内存的大小来进行。

spark.sql.files.openCostInBytes说直白一些这个参数就是合并小文件的阈值，小于这个阈值的文件将会合并

 

 

6.文件格式

建议使用parquet或者orc。

parquet已经可以达到很大的性能了