【Spark精讲】性能优化：并行度

Reduce端并行度

• RDD：
  • 参数：spark.default.parallelism
  • 手动：groupByKey(10)，10即为并行度
• Spark SQL：
  • 参数：spark.sql.shuffle.partitions
• Hive on Spark：

1.控制reduce个数的方式与参数
1.1.首先可以通过参数直接控制最终reduce的个数，使用参数mapred.reduce.tasks

hive> set mapred.reduce.tasks ;
mapred.reduce.tasks=-1   --官方默认值-1,表示不人为设置reduce的个数，实际这种方式用的也少。
1.2.在hive中如果不指定reduce个数的情况下，Hive会猜测确定一个reduce个数，基于以下两个设定

1.set hive.exec.reducers.bytes.per.reducer=300000000  --我们公司默认值 300MB
 注意：在hive 0.14.0之前默认hive.exec.reducers.bytes.per.reducer默认值是1GB，每个reduce最多处理1GB。
 但是在之后版本默认值都是256Mb。这里我们公司用的是300Mb。为什么300Mb写的是300*1000*1000？因为网络传输中用的1000，而不是1024机制。
2.set hive.exec.reducers.max=1009    --我们公司默认值，这个值一般不会修改。
 注意，在hive 0.14.0之前默认是999，之后是1009,所以我们公司的也是官方默认值。
 
3.reduce计算方式：计算reducer数的公式很简单
Num=min(hive.exec.reducers.max，map输出数据量/hive.exec.reducers.bytes.per.reducer)

参考：真正让你明白Hive参数调优系列2：如何控制reduce个数与参数调优_hive.exec.reducers.bytes.per.reducer-CSDN博客

Map端加载数据的并行度

• textFile等算子加载数据源，如果指定了minPartitions，如果最终切分的split数据大小小于blockSize，则会使用该大小进行最终切分，也就是切出来比blockSize更小的split，相当于增加了并行度。
• hive on spark：开启合并小文件后，并行度降低。

-- 每个Map最大输入大小，
hive> set mapred.max.split.size;
mapred.max.split.size=256000000  这也是官方默认值
-- 每个Map最小输入大小
hive> set mapred.min.split.size;
mapred.min.split.size=10000000   这也是官方默认值
hive> set dfs.block.size;
dfs.block.size=134217728   我们集群默认hdfs的block块大小是128Mb，但注意这个参数通过hive设置更改实际没有用的，只能hdfs设置。

参考：真正让你明白Hive参数调优系列1：控制map个数与性能调优参数_mapred.min.split.size.per.node-CSDN博客

主动调整分区数量

使用重分区算子：repartition()或者coalesce()

官方推荐，根据应用分配的CPU的情况，分区数量可以为CPU核数的2~3倍。

需要注意的重要一点是，Spark repartition() 和coalesce() 是效率低下的操作，因为它们会在许多分区中打乱数据，因此尽量减少重新分区。

Spark RDD coalesce() 仅用于减少分区数量。 这是 repartition() 的优化或改进版本，其中使用合并的数据在分区之间的移动较低。

/** repartition */
val rdd2: RDD[Int] = rdd1.repartition(4)
println("Repartition size:" + rdd2.partitions.size)
//保存
rdd2.saveAsTextFile("data/output/re-partition")


/** coalesce分区算子*/
val rdd3: RDD[Int] = rdd1.coalesce(4)
println("Repartition size:" + rdd3.partitions.size)
//保存
rdd3.saveAsTextFile("data/output/coalesce")