pyspark系列9

首先笔者能力优先，使用Spark有一段时间，如下是笔者的工作经验的总结。

Spark任务运行图:

Spark的优化思路: 一般是从3个层面进行Spark程序的优化:

我们知道HDFS的数据文件存储在不同的datanode，一般数据副本数量是3，因为Spark计算的数据量比较大，如果数据不在本节点，需要通过网络去其它的datanode读取数据。

所以此时我们可以通过提高数据本地性，减少网络传输，来达到性能优化的目的。

推荐使用列式存储格式: parquet. parquet存在如下优先:

每创建一个RDD都会带来性能的开销，尽可能的对同一个RDD做算子操作，而不要频繁创建新的 RDD。

如果RDD的算子特别多，需要频繁多次操作同一个RDD，最好的办法是将该RDD进行持久化，

num-executors 参数说明：该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关联。

executor-cores 参数说明：该参数用于设置每个Executor进程的CPU core数量。

driver-memory 参数说明：该参数用于设置Driver进程的内存。

spark.default.parallelism 参数说明：该参数用于设置每个stage的默认task数量。

spark.storage.memoryFraction 参数说明：该参数用于设置RDD持久化数据在Executor内存中能占的比例，默认是0.6。

spark.shuffle.memoryFraction 参数说明：该参数用于设置shuffle过程中一个task拉取到上个stage的task的输出后，进行聚合操作时能够使用的Executor内存的比例，默认是0.2。

资源参数参考示例：

绝大多数task执行得都非常快，但个别task执行极慢。比如，总共有1000个task，997个task都在1分钟之内执行完了，但是剩余两三个task却要一两个小时。这种情况很常见。

数据倾斜图例:

解决数据倾斜一般有如下几种常用方法:

使用Hive ETL预处理数据 先使用Hive进行预处理数据，也就是使用Hive先计算一层中间数据，Spark从中间层数据开始计算。

过滤少数导致倾斜的key 如果发生导致倾斜的key非常少，可以将Spark任务拆分为包含 导致倾斜的key的任务和不包含key的任务。

sample采样倾斜key单独进行join 通过采样，提前预估会发生数据倾斜的key，然后将一个join拆分为两个join，其中一个不包含该key，一个只包含该key，最后将结果集进行union。

调整并行度 调整Shuffle并行度，数据打散

广播小数据集 适用于一个大表，一个小表 不用join连接操作，而改用Broadcast变量与map模拟join操作，完全规避shuffle操作 spark.sql: spark.sql.autoBroadcastJoinThreshold=104857600

增加随机前缀 对发生倾斜的RDD增加随机前缀 对另外一个RDD等量扩容 如果少量的key发生倾斜，可以先过滤出一个单独的RDD，对另外一个RDD同理吹，join之后再合并