SparkSQL性能优化终极篇

前言

随着Spark版本的不断迭代，SparkSQL底层使用了各种优化技术，无论方便性、性能都已经超越了RDD。因此SparkSQL已经是最常用的Spark开发方式，这里把常用的SparkSQL性能优化技术进行汇总。

使用缓存

• 缓存
  我们知道spark开发中如果有重复使用dataset/table的时候需要使用缓存来提高性能。比如：

  spark.catalog.cacheTable("view1")
  

  或者：

  spark.table("view1").cache()
  

  如果是dataset可以直接用：

  dataset.cache()
  

  注意：在一个比较复杂的spark程序中使用了缓存，当不需要的使用一定要记得移除缓存释放掉占用的资源：
  spark.catalog.uncacheTable(“view1”)

• 缓存压缩
  建议可以根据实际内存情况调整下面一个参数：

  
  spark.conf.set("spark.sql.inMemoryColumnarStorage.compressed", true)
  
  

  该参数设置为true，Spark会根据数据统计信息，自动为每一列选择单独的压缩编码方式。这样会减少数据检索和内存使用。但是如果内存是足够的，那么默认false就可以，毕竟访问压缩后的数据，CPU还得进行解压缩，这样会或多或少影响效率。
• 缓存批量大小
  建议可以根据实际内存情况调整下面一个参数：