最开始接触Spark是我刚来摩拜实习的时候，组里有一个架构师（ccmeng1886）为了找工作把Spark的源码通读了三遍ORZ，还一直给我们灌输学好Spark就能拿高工资的思想。正好年末不是很忙，就接了一个非常简单的项目，顺便学习了一下Spark，全程用Pyspark实现了一下，感觉非常地爽。
为什么标题叫《Spark基础性能优化》，因为本文仅仅梳理最基本的Spark性能优化方案，对于较深层次细节调优暂时还没有精力去研究。对于算法工程师来说，能够遵循一些最基本的调优原则，不求甚解这就够了。
偶然间发现美团点评技术团队的博客（首页 – 美团点评技术团队）已经有人分享过Spark性能优化指南，解决了我很多疑惑，避免遗忘对它进行整理（发现美团点评技术团队的博客写得真是非常地接地气，尤其对我们创业型公司来说，简直是无法多得的宝藏），总的来说优化方案主要分为开发调优、资源调优、数据倾斜调优、shuffle调优四个部分。
在项目的开发中，最开始我把所有任务丢在一个进程里，需要花两个多小时才能跑完；后来在Hive建了一张中间表，把预处理的数据存到Hive里，再从Hive读取数据做预测，这样只需要20min就能跑完，性能大约提高了6倍。后来想了一下，我的脚本之所以执行得慢有两个重要的原因：
- 使用了太多shuffle类算子，如join、group by等；
- 没有把预处理的数据缓存到内存中，导致后面的action算子都会重新计算那个RDD。这就是为什么我仅仅建了一张中间表就使速度提高了6倍，其实有更好的做法，只要cache()一下就好了。
开发调优
最基本的Spark性能优化，就是要优化你的代码。Spark中rdd内部的转换关系是一个DAG（有向无环图），只有出发了action 算子才开始计算。开始可以画出计算pipeline，写得多了脑子自然会形成计算的pipeline，在开发过程中，时时刻刻都要注意一些性能优化的基本原则。
原则一：避免创建重复的RDD，尽可能复用同一个RDD
对于同一份数据不要创建多个RDD，对不同的数据执行算子操作时要尽可能地复用一个RDD。
原则二：对多次使用的RDD进行持久化
前面已经提到Spark中rdd内部的转换关系是一个DAG，因此对于一个RDD执行多次算子时，都会重新从源头处计算一遍，这种方式的性能是很差的。如下图所示，其中D和E代表action算子，在计算D和E时要分别从A开始计算。
有向无环图（DAG）
最好的方法就是对C进行持久化，此时Spark就会将数据保存到内存或者磁盘中，以后每次对C这个RDD进行算子操作时，都会直接从内存或磁盘中提取持久化的RDD数据，不会从源头处重新计算一遍。
原则三：尽量避免使用shuffle类算子
Spark作业运行过程中，最消耗性能的地方就是shuffle过程。shuffle过程就是将分布在集群中多个节点上的同一个key，拉取到同一个节点上，进行groupby或join等操作，reduceByKey、join、distinct、repartition等都属于shuffle算子。
至于什么是shuffle，引用Spark核心设计思想的经典论文“Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing”可以解释。
narrow依赖和wide依赖的例子。图中每个无阴影蓝色方框（大方框）表示一个RDD，有阴影的蓝色方框（小方框）表示RDD分区
RDD就是一个不可变的带分区的记录集合，Spark提供了RDD上的两类操作，转换和动作。转换是用来定义一个新的RDD，包括map, flatMap, filter, union, sample, join, groupByKey, cogroup, ReduceByKey, cros, sortByKey, mapValues等，动作是返回一个结果，包括collect, reduce, count, save, lookupKey。
shuffle顾名思义就是被打散，是否被shuffle就看计算后对应多少分区，那么：
- 如果一个RDD的依赖的每个分区只依赖另一个RDD的同一个分区，就是narow，如图上的map、filter、union等，这样就不需要进行shuffle，同时还可以按照流水线的方式，把一个分区上的多个操作放在一个Task里进行。
- 如果一个RDD的每个分区需要依赖另一个RDD的所有分区，就是wide，如图上的groupbykey，这样的依赖需要进行shuffle，运算量倍增。
原则四：使用预聚合的shuffle操作
如果有些时候实在无法避免使用shuffle操作，那么尽量使用可以预聚合的算子。预聚合就是在每个节点本地对相同的key进行一次聚合操作，多条相同的key被聚合起来后，那么其他节点再拉取所有节点上的相同key时，就会大大减少磁盘IO以及网络传输开销。下图所示，每个节点本地首先对于相同key进行了聚合。
预聚合的shuffle操作
原则五：使用高性能的算子
除了shuffle相关的算子有优化原则之外，其他的算子也都有着相应的优化原则，不一一陈述。
资源调优
在spark-submit时可以为作业配置合适的资源，理论上来说资源给的越多任务执行得越快，但集群又不是你家的，侵占太多资源可能会被kill掉。摩拜的Spark部署在集群上，公司内部共享这些资源，Spark的SparkContext先把任务提交到YARN上，再由Application Master创建应用程序，然后为它向Resource Manager申请资源，并启动Executor来运行任务集，同时监控它的整个运行过程，直到运行完成。
Yarn-Cluster运行模式执行过程
资源相关的参数
num-executors
- 参数说明：该参数用于设置Spark作业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照你的设置来在集群的各个工作节点上，启动相应数量的Executor进程。这个参数非常之重要，如果不设置的话，默认只会给你启动少量的Executor进程，此时你的Spark作业的运行速度是非常慢的。
- 参数调优建议：每个Spark作业的运行一般设置50~100个左右的Executor进程比较合适，设置太少或太多的Executor进程都不好。设置的太少，无法充分利用集群资源；设置的太多的话，大部分队列可能无法给予充分的资源。
executor-memory
- 参数说明：该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关联。
- 参数调优建议：每个Executor进程的内存设置4G~8G较为合适。但是这只是一个参考值，具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列的最大内存限制是多少，num-executors乘以executor-memory，是不能超过队列的最大内存量的。此外，如果你是跟团队里其他人共享这个资源队列，那么申请的内存量最好不要超过资源队列最大总内存的1/3~1/2，避免你自己的Spark作业占用了队列所有的资源，导致别的同学的作业无法运行。
executor-cores
- 参数说明：该参数用于设置每个Executor进程的CPU core数量。这个参数决定了每个Executor进程并行执行task线程的能力。因为每个CPU core同一时间只能执行一个task线程，因此每个Executor进程的CPU core数量越多，越能够快速地执行完分配给自己的所有task线程。
- 参数调优建议：Executor的CPU core数量设置为2~4个较为合适。同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core限制是多少，再依据设置的Executor数量，来决定每个Executor进程可以分配到几个CPU core。同样建议，如果是跟他人共享这个队列，那么num-executors * executor-cores不要超过队列总CPU core的1/3~1/2左右比较合适，也是避免影响其他同学的作业运行。
给出本次项目执行时所给的资源，还是比较省的，这个可以根据集群的情况进行调整。
spark-submit \
--master yarn \
--executor-memory 8G \
--num-executors 16 \
--executor-cores 2 数据倾斜调优
数据倾斜就是大部分执行得很快，个别任务执行得很慢。比如进行groupby的时候，某个key对应的数据量特别大，就会发生数据倾斜。
shuffle过程会导致数据倾斜，可能会触发数据倾斜的shuffle算子包括distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等，因此能很快定位导致数据倾斜的代码。
遇到数据倾斜时通常会使用repartition这个转换操作对RDD进行重新分区，重新分区后数据会均匀分布在不同的分区中，避免了数据倾斜。
参考资料
Spark性能优化指南——基础篇 tech.meituan.com
Spark性能优化指南——高级篇 tech.meituan.com
https://www.usenix.org/system/files/conference/nsdi12/nsdi12-final138.pdf www.usenix.org
Spark中的narrow/wide dependency如何理解，有什么作用? www.zhihu.com
Spark技术在京东智能供应链预测的应用 mp.weixin.qq.com
推荐阅读：
