Spark Streaming性能优化总结

代码优化部分

  1. 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;
  2. 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;
  3. 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;
  4. 序列化尽量使用Kyro方式, 其性能更好;
  5. 减少对复杂数据结构的使用,可以有效减少序列化时间;
  6. 对应简单的函数,最好使用闭合结构,可以有效减少网络IO;
  7. 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:

  1. 根据资源情况,可以添加Executor的个数来有效,参数为** spark.executor.instances **
  2. 调整每个Executor的使用内核数, 参数为** spark.executor.cores **
  3. 调整每个Executor的内存, 参数为** spark.executor.memory **
  4. shuffle write task的buffer大小, 参数为** spark.shuffle.file.buffer **
  5. shuffle read task的buffer大小, 参数为** spark.reducer.maxSizeInFlight **
  6. 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 **
  7. 用于RDD的持久化使用的内存比例,默认0.6, 参数 ** spark.storage.memoryFraction **
  8. 用户shuffle使用的内存比例, 默认为0.2, 参数 ** spark.shuffle.memoryFraction **

其它优化

  1. 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;
  2. 限制读取Kafka数据的速率,参数 ** spark.streaming.kafka.maxRatePerPartition **
  3. 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。
    原文作者:Wilson_0e83
    原文地址: https://www.jianshu.com/p/7ed12f883d42
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞