spark调优1

https://spark.apache.org/docs/1.2.1/tuning.html

Data Serialization

spark现在提供Java serialization和Kryo serialization库

Java serialization比较慢，Kryo serialization比较快

Memory Tuning

Determining Memory Consumption

衡量你的数据集消耗内存量最好的方式是创建RDD，并放入cache中，通过查看你的driver程序SparkContext logs来得出结论。

Tuning Data Structures

降低内存消耗的第一种方式是避免使用增加开销的java特性，例如基于指针的数据结构和封装的对象。有几种方法来避免：

1.将你的数据结构设计为对象的数组，或者原始类型，而不是java或者scala集合类(例如HashMap)

fastutil库提供原始数据类型的方便集合类，并且这些类与java标准库兼容。（http://fastutil.di.unimi.it/）

2.如果可以的话，避免使用有很多小对象的内嵌数据结构

3.考虑使用数字id或者枚举对象来代替string作为key

4.如果给spark使用的内存少于32g，设置JVM flag -XX:+UseCompressedOops来使指针的大小从原来的8个byte变成4个byte.

你可以在spark-env.sh里添加这个参数。

Serialized RDD Storage

当你的对象通过调优高效地存储后仍然很大，一个简单的减少内存使用的方式是以序列化格式的方式存储对象，使用 RDD persistence API中序列化的等级来指定，例如MEMORY_ONLY_SER。

spark将每个RDD块存储为一个大的byte数组。将存储的数据序列化唯一的缺点是访问时间变慢了，这应归于服务器一直在忙碌于每个对象的反序列化。

如果你想在内存中以序列化格式保存数据，我们极力地推荐使用Kryo库，因为这会产生比java序列化小很多的文件大小。（当然会比没有序列化的原生java object更小）

Garbage Collection Tuning