Spark调优

1.搭建集群

在Spark安装路径下 spark/conf/spark-env.sh配置：

SPARK_WORKER_CORES=XXX

SPARK_WORKER_MEMORY=XXX

2.提交任务

提交任务命令，最好使用脚本化提交，可以在提交任务时给当前spark应用程序足够的资源，提交命令：

./spark-submit --master spark://node1:7077 -class ... jar ...

可以在-master 之后-class之前添加以下参数

--dirver-cores:指定Driver端使用的core数。

--driver-memory:指定Driver端的使用内存数，如果Driver端有回收数据广播的时候，可以多申请内存。

--executor-cores:指定executor端使用的core数量，一个core在某个时刻并行执行1个task任务，executor中的core越多并行的task任务越多。

--executor-memory:指定Executor端使用的内存，如果shuffle量多、对RDD持久化多、task创建任务多，可以多申请点资源。

--total-executor-cores:Standalone集群中，指定当前应用程序最多使用多少core.在Standalone集群中，默认提交一个Spark应用程序，这个Spark应用程序会使用集群中所有的资源。

--num-executor:在yarn集群中，默认为一个提交的spark应用程序启动2个Executor。

-处理以上在提交任务中可以设置参数，还可以在代码中设置（不建议硬编码）

也可以在spark提交任务的客户端中的配置文件中配置：spark/conf/spark-defaults.xml(不建议)：

spark.driver.cores

spark.driver.memory

spark.executor.cores

spark.executor.memory

spark.cores.max

3.提高并行度

-SparkContext.textFile(xx,minum)

-SparkContext.parallelize(xx,num)

-SparkContext.makeRDD(xx,num)

-SparkContext.parallelizePairs(List<Tuple2<xx,xx>>,num)

-RDD的算子repartition(num)/coalesce(num)、reduceByKey(num)、join(num)、groupByKey(num),distinct(num)

-"spark.default.parallelism" Spark中默认的并行度

-自定义分区器也可以增加并行度

-"Spark.sql.shuffle.partitions"设置SparkSQL中解析成SparkJob的并行度。

-SparkStreaming中Driect模式可以增大读取的topic的partition个数。

4.代码优化

-避免创建重复的RDD，这种情况是避免某些代码逻辑不执行，逻辑混乱。

-对多次使用的RDD进行持久化，持久化算子：cache()=persist()=persist(StroageLevel.MEMORY_ONLY)

如果内存够用就使用MEMORY_ONLYJ级别，如果不是内存太充足，可以采用MEMOEY_ONLY_SER级别，相当于牺牲性能换取空间。如果使用MEMORY_ONLY_SER级别还是不能完全储存，可以使用MEMORY_AND_DISK或者MEMORY_AND_DISK_SER.

注意：对RDD进行持久化时，一定要使用Action算子触发，才能使RDD被持久化。

-尽量避免使用shuffle类的算子。利用广播变量+filter类的算子代替join

-尽量使用map端有预聚合的算子(map-combine)

5.map端预聚合的好处：

（1）减少map端shuffle的落地数据量

（2）减少reduce端拉取的数据量

（3）极少节点之间传输的数据量

map端预聚合的算子：

（1）reduceByKey

（2）aggregateByKey

（3）combineByKey

6.使用高性能算子：

（1）reduceByKey代替groupByKey

（2）使用mappartition代替map

（3）使用foreachPartitions代替foreach

（4）对大量分区过滤后使用repartition/coalesce减少分区

7.使用广播变量

如果Executor端使用到了Driver端的变量副本，如果不使用广播变量，在每个Executor端有多少个task任务就有多少个变量副本。

如果使用广播变量，Executor端的变量副本只有一份，所有的Executor端使用一份共享的变量副本。可以节省大量的内存。

8.优化数据结构

在编写Spark代码时

（1）尽量使用原生的数据类型代替字符串

（2）尽量使用字符串代替对象

（3）尽量使用数组代替map集合

(4)尽量使用tinyint代表int

9.使用Kryo序列化方式

在Spark中的序列化：

（1）在算子函数中使用到外部变量时，该变量会被序列化后进行网络传输。

（2）将自定义的类型作为RDD的