Spark调优

资源调优

driver-memory

executor-memory

num-executors

executor-cores

spark.default.parallelism

参数说明：该参数用于设置每一个stage的默认task数量，这个参数极为重要，如果不设置可能会直接影响你的spark作业性能

调优建议：spark作业的默认task数量为500-1000个较为合适，很多同学常犯的一个错误就是不去设置这个参数，那么此时就会导致spark自己根据底层HDFS的block数量来设置task的数量，默认是一个HDFS block对应一个task。通常来说，spark默认设置的数量是偏少的，如果task数量偏少的话，就会导致你前面设置好的executor的参数都前功尽弃。试想一下无论你的executor进程由多少个，内存和cpu有多大，但是task只有1个或者10个，那么90%的executor进程根本就没有task执行，也就是说白白浪费了资源！ 因此spark官网建议的设置原则是，设置该参数 num-executors * executor-cores的2~3倍较为合适，比如executor的总cpu核数为300个，那么设置1000个task是可以的，此时可以充分利用spark集群的资源

spark.sql.shuffle.partitions

参数说明：该参数用来设置sparksql参数shuffle之后 shuffle read task的个数

调优建议：默认是200，一般在大批量数据处理的场景下是默认参数太小了，需要调整，比如增加到400/500/600等

开发调优

RDD的重用和持久化

MEMORY_ONLY

MEMORY_ONLY_SER

MEMORY_AND_DISK_SER

广播变量使用

尽量避免使用shuffle类算子

Broadcast+ map 来代替join

使用高性能的算子

使用reduceByKey/aggregateByKey替代groupByKey

使用mapPartitions替代普通map

使用foreachPartitions替代foreach

使用filter之后进行coalesce操作

使用repartitionAndSortWithinPartitions替代repartition与sort类操作

使用Kryo优化序列化性能

描述：Spark默认采用Java的序列化器，不够高效，使用KryoSerializer

使用fastutil优化数据格式

描述：fastutil集合类，可以减小内存的占用，提供更快的存取速度

调节数据本地化等待时长

描述：spark.locality.wait，默认是3s，可以适当增大

数据倾斜调优

解决方案一：使用Hive ETL预处理数据

解决方案二：过滤少数导致倾斜的key

解决方案三：提高shuffle操作的并行度

解决方案四：两阶段聚合（局部聚合+全局聚合）

解决方案五：将reduce join转为map join

解决方案六：采样倾斜key并分拆join操作

解决方案七：使用随机前缀和扩容RDD进行join

解决方案八：多种数据倾斜的解决方案综合的灵活使用

shuffle相关参数调优

spark.shuffle.file.buffer

默认值：32k

参数说明：该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘。

调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如64k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

spark.reducer.maxSizeInFlight

默认值：48m

参数说明：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次能够拉取多少数据。

调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

spark.shuffle.io.maxRetries

默认值：3

参数说明：shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数。如果在指定次数之内拉取还是没有成功，就可能会导致作业执行失败。

调优建议：对于那些包含了特别耗时的shuffle操作的作业，建议增加重试最大次数（比如60次），以避免由于JVM的full gc或者网络不稳定等因素导致的数据拉取失败。在实践中发现，对于针对超大数据量（数十亿~上百亿）的shuffle过程，调节该参数可以大幅度提升稳定性。

spark.shuffle.io.retryWait

默认值：5s

参数说明：具体解释同上，该参数代表了每次重试拉取数据的等待间隔，默认是5s。

调优建议：建议加大间隔时长（比如60s），以增加shuffle操作的稳定性。

spark.shuffle.memoryFraction

默认值：0.2

参数说明：该参数代表了Executor内存中，分配给shuffle read task进行聚合操作的内存比例，默认是20%。

调优建议：在资源参数调优中讲解过这个参数。如果内存充足，而且很少使用持久化操作，建议调高这个比例，给shuffle read的聚合操作更多内存，以避免由于内存不足导致聚合过程中频繁读写磁盘。在实践中发现，合理调节该参数可以将性能提升10%左右。

spark.storage.memoryFraction

默认值：0.6

参数说明：该参数用于设置RDD持久化数据在executor内存中的占比，默认是0.6，根据你选择的不同的持久化数据策略级别，如果内存不够了时，可能数据就不会持久化或者数据会写入到内存中

调优建议：如果spark任务中，有较多的RDD持久化数据操作，这个值可以适当提高一些，保证持久化的数据在能够容乃在内存中。如果spark任务中shuffle操作较多，那么这个参数的值适当降低一些比较合适，更更多的内存空间shuffle操作

spark.shuffle.manager

默认值：sort

参数说明：该参数用于设置ShuffleManager的类型。Spark 1.5以后，有三个可选项：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的默认选项，但是Spark 1.2以及之后的版本默认都是SortShuffleManager了。Spark1.6以后把hash方式给移除了，tungsten-sort与sort类似，但是使用了tungsten计划中的堆外内存管理机制，内存使用效率更高。

调优建议：由于SortShuffleManager默认会对数据进行排序，因此如果你的业务逻辑中需要该排序机制的话，则使用默认的SortShuffleManager就可以；而如果你的业务逻辑不需要对数据进行排序，那么建议参考后面的几个参数调优，通过bypass机制或优化的HashShuffleManager来避免排序操作，同时提供较好的磁盘读写性能。这里要注意的是，tungsten-sort要慎用，因为之前发现了一些相应的bug。

spark.shuffle.sort.bypassMergeThreshold

默认值：200

参数说明：当ShuffleManager为SortShuffleManager时，如果shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作，而是直接按照未经优化的HashShuffleManager的方式去写数据，但是最后会将每个task产生的所有临时磁盘文件都合并成一个文件，并会创建单独的索引文件。

调优建议：当你使用SortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些，大于shuffle read task的数量。那么此时就会自动启用bypass机制，map-side就不会进行排序了，减少了排序的性能开销。但是这种方式下，依然会产生大量的磁盘文件，因此shuffle write性能有待提高。

Spark调优