Spark性能调优之调节task并行度

Spark并行度是什么？

我们写的spark作业就称为application；
一个application有多个job（一个action比如：collect操作触发一个job）；
每个job在发生shuffle（比如：reduceByKey）时，就会被拆成一个stage；
每个stage被拆为多个task，task被分配到executor上执行，一个task会有一个线程去执行，一个task处理一小片数据。

reduceByKey，前为stage0，后为stage1 ：
stage0执行到reduceByKey时，会为后面stage1的每个task，都创建一个文件；
stage1的每个task，会在各个节点上的各个task创建的属于自己的文件（每个文件里，一定存放相同key对应的values； 但一个文件可能有多个key，及其对应的values； 相同key的values一定是进入同一个文件），拉取数据；
stage1的每个task所拉取到的数据，一定是相同key对应的数据。因为针对相同key对应的values，才能去执行执行自定义的function操作(+)。

spark并行度：指的就是spark作业中，各个stage的task数量。也就代表了spark作业在各个阶段（stage）的并行度。

问题：

如果不调节并行度，会有什么后果？

假设：已经给spark作业分配了足够多的资源，比如100个executor，每个executor有5G，4个cpu core。但task设置的很少，假如只设置了200个task。 平均下，每个executor只分配了2个task（占用2个cpu core），那么同时运行的task也就只有200个。每个executor还剩下2个cpu core被浪费掉了。

解决：

应该合理的设置并行度，充分利用集群资源。比如上面的例子，集群共有400 cpu core，也就是可以并行跑400个task。那就应该将application的并行度至