Spark调优_性能调优(一)

总结一下spark的调优方案--性能调优：

一、调节并行度

　　1、性能上的调优主要注重一下几点：

　　　　Excutor的数量

　　　　每个Excutor所分配的CPU的数量

　　　　每个Excutor所能分配的内存量

　　　　Driver端分配的内存数量

　　2、如何分配资源

　　　　在生产环境中，提交spark作业的时候，使用的是spark-submit shell脚本，里面调整对应的参数。

./bin/spark-submit \
--class com.spark.sparkTest.WordCount \
--num-executors 3 \ #此处配置的是executor的数量
--driver-memory 100m \ #此处配置的是driver的内存（影响不大）
--executor-memory 100m \ #配置每个executor的内存大小
--total-executor-core 3 \ #配置所有executor的cpu core 数量
/usr/local/SparkTest-0.0.1-SNAPSHOT-jar-with-dependencies.jar \

　　如何调节呢？？

　　常用的资源调度模式有两种Spark Standalone 和 Spark on Yarn 。比如说你的每台机器能够给你使用60G内存，10个core，20台机器。那么executor的数量是20个。平均每个executor所能分配60G内存和10个CPU core。

　　以上面为计算原则：

　　增加executor：

　　如果executor比较少的话，那么能够并行执行的task的数量就很少，就意味着，我们的Application的并行执行的能力就很弱。

　　如果有3个executor，每个executor有2个core，那么同时就能够执行6个task。

　　增加了executor之后，意味着能够并行更多的task。所以速度也就比以前提升了数倍。

　　增加每个executor的cpu core:

　　增加了执行的并行能力，原来有3个executor，每个有2个core，现在有每个executor有4个core。那么现在的并行task数量是12，相比以前的6，从物理性能上看提升了2倍。

　　增加每个executor的内存大小：

　　增加内存后主要提升了一下三点：

　　1、若是RDD进行了cache，那么有了更多的内存，就可以缓存更多的数据，写入磁盘的数据就少了，甚至是可以不用写入磁盘了，就减少的磁盘IO，写入速度明显加快。

　　2、对于shuffle操作，reduce端，会需要内存来存放拉取的数据进行聚合，如果内存不够，也会写入磁盘，如果分配更多的内存之后，一样会减少磁盘IO，提升性能。

　　3、对于task的执行，会创建很多的对象，如果内存过小的话，JVM堆内存满了之后，会频繁的进行GC操作，垃圾回收等。速度会非常慢，加大内存之后就避免了这些问题。

　　调节并行度：

　　并行度是指spark作业中，各个stage的task的数量。代表了spark作业的各个阶段的并行度。

　　若是不调节的话会浪费你的资源：

　　比如现在spark-submit脚本里面，给我们的spark作业分配了足够多的资源，比如50个executor，每个executor有10G内存，每个executor有3个cpu core。

　　基本已经达到了集群或者yarn队列的资源上限。task没有设置，或者设置的很少，比如就设置了100个task，你的Application任何一个stage运行的时候，都有总数在150个cpu core，可以并行运行。但是你现在，只有100个task，平均分配一下，每个executor分配到2个task，ok，那么同时在运行的task，只有100个，每个executor只会并行运行2个task。每个executor剩下的一个cpu core， 就浪费掉了。

　　你的资源虽然分配足够了，但是问题是，并行度没有与资源相匹配，导致你分配下去的资源都浪费掉了。

　　合理的并行度的设置，应该是要设置的足够大，大到可以完全合理的利用你的集群资源。比如上面的例子，总共集群有150个cpu core，可以并行运行150个task。那么就应该将你的Application的并行度，至少设置成150，才能完全有效的利用你的集群资源，让150个task，并行执行。而且task增加到150个以后，即可以同时并行运行，还可以让每个task要处理的数据量变少。比如总共150G的数据要处理，如果是100个task，每个task计算1.5G的数据，现在增加到150个task，可以并行运行，而且每个task主要处理1G的数据就可以。

　　很简单的道理，只要合理设置并行度，就可以完全充分利用你的集群计算资源，并且减少每个task要处理的数据量，最终，就是提升你的整个Spark作业的性能和运行速度。

　　如何调配：

　　1、task的数量，至少设置成spark application的总cpu core数量相同。

　　2、官方推荐，task的数量设置成spark application总cpu core 的2~3倍。

　　3、具体为设置spark.default.parallelism

　　　　SparkConf conf = new SparkConf().set("spark.default.parallelism", "500")

 二、RDD持久化

　　在spark作业中若是同一个RDD在后面重复使用，需要进行持久化操作。因为

在默认情况下，多次对一个RDD执行算子，去获取不同的RDD，都会对这个RDD以及之前的父RDD全部重新计算一遍。所以是十分浪费资源的，所以这种情况是绝对要避免的。

缓存级别如上。

三、广播变量

　　把每个task都要用到的常量，通过广播变量，发送到每个节点上面，这样的话，每个节点都会存在一个通用的常量，若是不广播的话，会造成每个task上面都会存在这个常量，造成资源的浪费。

四、Kryo序列化

　　

　　　通过以上配置，来配置spark作业的序列化方式。

五、调节本地化等待时间

　　Spark调优--JVM优化