代码优化部分
- 多个Action计算最好基于同一个RDD进行计算操作, 并且对相同的RDD进行Cache操作,避免重复计算,增加任务的执行时间;并且持久化级别最好使用MEMORY_ONLY_SER来减少内存使用;
- 在使用join的地方看是否可以使用map算子和广播变量的方式替代;
- 使用高效的算子, 例如:
- 使用reduceByKey/aggregateByKey来代替groupByKey, 因为前者可以进行combiner操作,减少网络IO;
- 使用MapPartition来代替Map操作, 尤其是在需要网络连接的地方;
- 使用foreachPartition代替foreach操作,可以对数据进行批量处理;
- 在filter操作后,可以使用colease操作,可以减少任务数;
- 序列化尽量使用Kyro方式, 其性能更好;
- 减少对复杂数据结构的使用,可以有效减少序列化时间;
- 对应简单的函数,最好使用闭合结构,可以有效减少网络IO;
- 使用Repartition操作可以有效增加任务的处理并行度;
参数调整优化部分
经过实践验证,调整后有效的参数如下:
- 根据资源情况,可以添加Executor的个数来有效,参数为** spark.executor.instances **
- 调整每个Executor的使用内核数, 参数为** spark.executor.cores **
- 调整每个Executor的内存, 参数为** spark.executor.memory **
- shuffle write task的buffer大小, 参数为** spark.shuffle.file.buffer **
- shuffle read task的buffer大小, 参数为** spark.reducer.maxSizeInFlight **
- 每一个stage的task的默认并行度, 默认为200, 建议修改为1000左右, 参数 ** spark.default.parallelism **
- 用于RDD的持久化使用的内存比例,默认0.6, 参数 ** spark.storage.memoryFraction **
- 用户shuffle使用的内存比例, 默认为0.2, 参数 ** spark.shuffle.memoryFraction **
其它优化
- 增加数据读取的并行度,比如读取Kafka的数据, 可以增加topic的partition数量和executor的个数;
- 限制读取Kafka数据的速率,参数 ** spark.streaming.kafka.maxRatePerPartition **
- 对于存在数据倾斜问题,有两类情况:
- 进行join操作,产生skew问题, 可以使用map+广播变量类进行处理;
- 对redece/aggregate等聚合操作,参数skew问题, 可以进行两次聚合的思想来解决, 核心是先进行key进行随机数操作,是数据分布均匀,并进行聚合,最后是剔除随机数据,用实际数据来进行聚合操作。