spark调优-开发调优

开发调优方式
(1)避免重复的RDD
(2)尽可能多的复用一个RDD
(3)对多次使用的RDD进行持久化
(4)尽量避免使用shuffle类的算子
(5)使用map-side预聚合的shuffle操作(combine)
(6)使用高性能的算子
(7)使用广播变量
(8)使用spark自带的Kryo序列化
(9)数据结构的调优:字符串、对象、集合类型

(1)避免重复的RDD

案例:

val rdd1 = sc.textFile("hdfs://zzy/hello.txt")
rdd1.map(...)
val rdd2 = sc.textFile("hdfs://zzy/hello.txt")
rdd2.reduce(...)

这里条用了两次textFile,并且读取的是同一个文件,造成了多次的磁盘读取,如果是hi同一个文件,读取一次即可。

(2)尽可能多的复用一个RDD

错误演示:

   //由于业务需要,对rdd1执行了一个map操作,创建了一个rdd2,而rdd2中的数据仅仅是rdd1中的value值而已,也就是说,rdd2是rdd1的子集。
    val list=List(("math",18),("hbase",18),("hive",22),("hive",18))
    val listRDD: RDD[(String, Int)] = sc.parallelize(list)
    val listRDD2=listRDD.map(kv=>kv._2)

正确做法:

    //在进行第二个map操作时,只使用每个数据的kv._2,也就是rdd1中的value值,即可
    val list=List(("math",18),("hbase",18),("hive",22),("hive",18))
    val listRDD: RDD[(String, Int)] = sc.parallelize(list)
    listRDD.reduceByKey(_+_).map(kv=>kv._2)
(3)对多次使用的RDD进行持久化

案例:

    val list=List(("math",18),("hbase",18),("hive",22),("hive",18))
    val listRDD: RDD[(String, Int)] = sc.parallelize(list)
    listRDD.cache()
    listRDD.map(kv=>kv._1)
    listRDD.map(kv=>kv._2)
    listRDD.reduceByKey(_+_)

注意:程序运行过程中的数据放置在内存中,如果程序执行完成,一般都会释放内存的资源。如果程序执行过程中,生成了一些中间结果是另一个程序需要使用的数据时,那么就可以把该数据持久化到内存或者磁盘中,避免不必要的重复计算,一般的一个RDD如果被重复使用2~3次以上,就需要持久化。

(4)尽量避免使用shuffle类的算子

因为在spark作业的运行过程中,最消耗性能的地方就是shuffle过程。
有shuffle过程的算子有

distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。

原因:在shuffle过程中,各个节点上相同的key都会通过网络传输聚合到同一个节点上,会引发大量的IO操作以及数据的网络传输。
shuffle过程,必须上一个阶段完成之后,才能进行下一个阶段的计算,导致了在并行计算中,由于某个计算的时间特别长,导致了整体计算时长取决于那个计算最长的计算的时间。如果有一个任务运行了很长时间,而其他的任务在很短的时间就计算完成,其他的任务程序需要等待这个未完成的程序,导致资源被浪费。

案例
// 传统的join操作会导致shuffle操作:

// 因为两个RDD中,相同的key都需要通过网络拉取到一个节点上,由一个task进行join操作
val rdd3 = rdd1.join(rdd2)

使用Broadcast+map的join操作:

// 使用Broadcast将一个数据量较小的RDD作为广播变量。
val rdd2Data = rdd2.collect()
val rdd2DataBroadcast = sc.broadcast(rdd2Data)

注意:广播变量的对象一定不能太大,如果太大的话可能会导致OOM,当然广播变量不能是一个RDD,可以通过一些action算子,将RDD转化成为集合然后进行广播。

(5)使用map-side预聚合的shuffle操作(combine)

spark调优-开发调优_第1张图片
具有combine的算子:reduceByKey、combineByKey、aggregateByKey。
没有combine的算子:groupByKey、coGroup。

(6)使用高性能的算子

1.使用reduceByKey/ combineByKey代替groupByKey----优先使用有combine的算子
2.使用mappartitions代替map

案例

    val hdfsRDD: RDD[String] = sc.textFile("hdfs://zy/data/word.txt")
         //Map是每一条调用一次
            hdfsRDD.map(kv=>{
        //获取数据库的连接
        connect=Connect.getconnect()
        connect.insert(kv)
    })
    //Mappartitions每一个分区调用一次。
    hdfsRDD.mapPartitions(partition=>{
        if(!partition.isEmpty){
            //获取数据库的连接
            connect=Connect.getconnect()
            partition.foreach(mes=>{
                connect.insert(mes)
            })
        }
    })

以上的案例虽然都是插入数据,但是使用map是每一条记录都需要创建一个连接,而使用mappartition只需要每一个分区创建一个即可。

  • 使用foreachPartitione代替foreach,原理和上一个一样
  • 使用filter算子之后,使用colaesce重新分区
    因为在过滤之后,数据量会减少,此时在进行重新分区,会重新划分数据,是数据分配均匀。
  • 使用repartitionAndSortWithinPartitions替代repartition与sort类操作
    repartitionAndSortWithinPartitions:分区和排序同时进行。 (效率高)
    Repartition+sort:先分区然后在排序(这种方法,会重复创建RDD)
(7)使用广播变量
(8)使用spark自带的Kryo序列化

默认的情况下,spark支持java原生的序列化机制,使用KryoSerolizar可以优化序列化和反序列化的性能
案例

// 设置序列化器为KryoSerializer。
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
// 注册要序列化的自定义类型。
conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]))
(9)数据结构的调优

在java中有三种对象比较消耗内存:字符串、对象、集合类型。

对象:每一个java对象都有对象头,引用等额外的信息,因此比较占用内存空间
字符串:每一个字符串内部都有一个字符数组以及长度等额外信息
集合:HashMap、LinkedList等,因为集合类型内部通常会使用一些内部类来封装集合元素。

所以我们遵循:尽量少用这三种类型,当然使用基本数据类型代替字符串,使用字符串代替对象,使用对象代替集合

本博文参考至美团的spark调优:https://tech.meituan.com/

你可能感兴趣的:(大数据学习)