Spark性能调优总结

  1、Spark调优背景

目前Zeppelin已经上线一段时间，Spark作为底层SQL执行引擎，需要进行整体性能调优，来提高SQL查询效率。本文主要给出调优的结论，因为涉及参数很多，故没有很细粒度调优，但整体调优方向是可以得出的。

环境：服务器600+，spark 2.0.2，Hadoop 2.6.0

2、调优结果

调优随机选取线上9条SQL，表横轴是调优测试项目，测试在集群空闲情况下进行，后一个的测试都是叠加前面测试参数。从数据可参数经过调优，理想环境下性能可提高50%到300%

3、 下面为调优分享PPT

1）一图概览

2） Spark集群优化——数据本地性

3）Spark集群优化——存储格式选择

4）Spark参数优化——计算资源

5） Spark参数优化——并行度

6）Spark参数优化——offheap内存

7）Spark参数优化——大小表join

8）Spark参数优化——其他

9） Spark参数优化——shuffle过程

10）Spark代码优化——RDD复用

11）Spark代码优化——选择合适算子

12） Spark代码优化——shuffle算子并行度调优

13）Spark代码优化——数据倾斜

14）Spark代码优化——优化数据结构

15）Spark代码优化——使用DateSet API

16）Spark代码优化——使用DateSet API

17） 目前Spark的瓶颈——内存

18） 目前Spark的瓶颈——内存

3、总结

调优参数虽名目多样，但最终目的是提高CPU利用率，降低带宽IO，提高缓存命中率，减少数据落盘。 
不同数据量的最优参数都不相同，调优目的是让参数适应数据的量级以最大程度利用资源，经调优发现并不是所有参数有效，有的参数的效果也不明显，最后折中推荐如下调优参数以适应绝大多数SQL情况，个别SQL需要用户单独调参优化。（以下参数主要用于Spark Thriftserver，仅供参考）

参数	含义	默认值	调优值
spark.sql.shuffle.partitions	并发度	200	800
spark.executor.overhead.memory	executor堆外内存	512m	1.5g
spark.executor.memory	executor堆内存	1g	9g
spark.executor.cores	executor拥有的core数	1	3
spark.locality.wait.process	进程内等待时间	3	3
spark.locality.wait.node	节点内等待时间	3	8
spark.locality.wait.rack	机架内等待时间	3	5
spark.rpc.askTimeout	rpc超时时间	10	1000
spark.sql.autoBroadcastJoinThreshold	小表需要broadcast的大小阈值	10485760	33554432
spark.sql.hive.convertCTAS	创建表是否使用默认格式	false	true
spark.sql.sources.default	默认数据源格式	parquet	orc
spark.sql.files.openCostInBytes	小文件合并阈值	4194304	6291456
spark.sql.orc.filterPushdown	orc格式表是否谓词下推	false	true
spark.shuffle.sort.bypassMergeThreshold	shuffle read task阈值，小于该值则shuffle write过程不进行排序	200	600
spark.shuffle.io.retryWait	每次重试拉取数据的等待间隔	5	30
spark.shuffle.io.maxRetries	拉取数据重试次数	3	10

如果觉得文章有什么值得讨论的欢迎来讨论，如果觉得文章不错，也希望点个赞作为对我的支持。