Spark10： 性能优化(Kyro序列化、持久化，JVM调优、并行度、数据本地化)

一、性能优化分析

         一个计算任务的执行主要依赖于CPU、内存、带宽。Spark是一个基于内存的计算引擎，所以对它来说，影响最大的可能就是内存，一般我们的任务遇到了性能瓶颈大概率都是内存的问题，当然了CPU和带宽也可能会影响程序的性能，这个情况也不是没有的，只是比较少。
        Spark性能优化，其实主要就是在于对内存的使用进行调优。通常情况下，如果你的Spark程序计算的数据量比较小，并且你的内存足够使用，那么只要网络不至于卡死，一般是不会有大的性能问题的。但是Spark程序的性能问题往往出现在针对大数据量进行计算（比如上亿条数的数据，或者上T规模的数据），这个时候如果内存分配不合理就会比较慢，所以，Spark性能优化，主要是对内存进行优化。

二、内存都去哪了

• 每个Java对象，都有一个对象头，会占用16个字节，主要是包括了一些对象的元信息，比如指向它的类的指针。如果一个对象本身很小，比如就包括了一个int类型的field，那么它的对象头实际上比对象自身还要大。
• Java的String对象的对象头，会比它内部的原始数据，要多出40个字节。因为它内部使用char数组来保存内部的字符序列，并且还要保存数组长度之类的信息。
• Java中的集合类型，比如HashMap和LinkedList，内部使用的是链表数据结构，所以对链表中的每一个数据，都使用了Entry对象来包装。Entry对象不光有对象头，还有指向下一个Entry的指针，通常占用8个字节。

        所以把原始文件中的数据转化为内存中的对象之后，占用的内存会比原始文件中的数据要大,那我如何预估程序会消耗多少内存呢？通过cache方法，可以看到RDD中的数据cache到内存中之后占用多少内存，这样就能看出了。

1. Scala代码

package com.sanqian.scala

import org.apache.spark.{SparkConf, SparkContext}

/**
 * 需求：测试内存占用情况
 */
object TestMemoryScala {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
    conf.setAppName("TestMemoryScala").setMaster("local")
    val sc = new SparkContext(conf)
    val dataRDD = sc.textFile("hdfs://bigdata01:9000/hadoop").cache()
    val count = dataRDD.count()
    print(count)
    //while循环是为了保证程序不结束，方便在本地查看4040页面中的storage信息
    while(true){
      ;
    }

  }
}

        执行代码，访问localhost的4040端口界面，这个界面其实就是spark的任务界面，在本地运行任务的话可以直接访问4040界面查看

        点击stages可以看到任务的原始输入数据是多大

        点击storage可以看到将数据加载到内存，生成RDD之后的大小

        这样我们就能知道这一份数据在RDD中会占用多少内存了，这样在使用的时候，如果想要把数据全部都加载进内存，就需要给这个任务分配这么多内存了，当然了你分配少一些也可以，只不过这样计算效率会变低，因为RDD中的部分数据内存放不下就会放到磁盘了。

三、性能优化方案

（一）高性能序列化类库

1.序列化是的作用和用途

序列化：把对象转换为字节序列的过程称为对象的序列化。

反序列化：把字节序列恢复为对象的过程称为对象的反序列化。

对象的序列化主要有两种用途：
　　1） 把对象的字节序列永久地保存到硬盘上，通常存放在一个文件中；
　　2） 在网络上传送对象的字节序列。

        在任何分布式系统中，序列化都是扮演着一个重要的角色的。
        如果使用的序列化技术，在执行序列化操作的时候很慢，或者是序列化后的数据还是很大，那么会让分布式应用程序的性能下降很多。所以，进行Spark性能优化的第一步，就是进行序列化的性能优化。
        Spark默认会在一些地方对数据进行序列化，如果我们的算子函数使用到了外部的数据（比如Java中的自定义类型），那么也需要让其可序列化，否则程序在执行的时候是会报错的，提示没有实现序列化，这个一定要注意。

1. 原因

        因为Spark的初始化工作是在Driver进程中进行的，但是实际执行是在Worker节点的Executor进程中进行的；当Executor端需要用到Driver端封装的对象时，就需要把Driver端的对象通过序列化传输到Executor端，这个对象就需要实现序列化。否则会报错，提示对象没有实现序列化。

注意了，其实遇到这种没有实现序列化的对象，解决方法有两种：

1. 如果此对象可以支持序列化，则将其实现Serializable接口，让它支持序列化
2. 如果此对象不支持序列化，针对一些数据库连接之类的对象，这种对象是不支持序列化的，所以可以把这个代码放到算子内部，这样就不会通过driver端传过去了，它会直接在executor中执行。

2. Spark默认的序列化机制

        Spark对于序列化的便捷性和性能进行了一个取舍和权衡。默认情况下，Spark倾向于序列化的便捷性，使用了Java自身提供的序列化机制——基于 ObjectInputStream 和 ObjectOutputStream 的序列化机制，因为这种方式是Java原生提供的，使用起来比较方便，

缺点：

        但是Java序列化机制的性能并不高。序列化的速度相对较慢，而且序列化以后的数据，相对来说还是比较大，比较占空间。所以，如果你的Spark应用程序对内存很敏感，那默认的Java序列化机制并不是最好的选择。

3. Spark提供了两种序列化机制

        Java序列化机制和Kryo序列化机制
        Spark只是默认使用了java这种序列化机制

4. Java序列化机制

        默认情况下，Spark使用Java自身的ObjectInputStream和ObjectOutputStream机制进行对象的序列化。只要你的类实现了Serializable接口，那么都是可以序列化的。Java序列化机制的速度比较慢，而且序列化后的数据占用的内存空间比较大，这是它的缺点。

5. Kryo序列化机制

Spark也支持使用Kryo序列化。Kryo序列化机制比Java序列化机制更快，而且序列化后的数据占用的空间更小，通常比Java序列化的数据占用的空间要小10倍左右。

1.Kryo序列化机制之所以不是默认序列化机制的原因：

第一点：因为有些类型虽然实现了Seriralizable接口，但是它也不一定能够被Kryo进行序列化；
第二点：如果你要得到最佳的性能，Kryo还要求你在Spark应用程序中，对所有你需要序列化的类型都进行手工注册，这样就比较麻烦了。

 2. 如何使用序列化机制？

1）首先要用 SparkConf 设置 spark.serializer 的值为 org.apache.spark.serializer.KryoSerializer ，就是将Spark的序列化器设置为 KryoSerializer 。这样，Spark在进行序列化时，就会使用Kryo进行序列化了。

2）使用Kryo时针对需要序列化的类，需要预先进行注册，这样才能获得最佳性能——如果不注册的话，Kryo也能正常工作，只是Kryo必须时刻保存类型的全类名，反而占用不少内存。

        Spark默认对Scala中常用的类型在Kryo中做了注册，但是，如果在自己的算子中，使用了外部的自定义类型的对象，那么还是需要对其进行注册。

        注册自定义的数据类型格式：

conf.registerKryoClasses(...)

 注意点：如果要序列化的自定义的类型，字段特别多，此时就需要对Kryo本身进行优化，因为Kryo内部的缓存可能不够存放那么大的class对象。需要调用 SparkConf.set() 方法，设置 spark.kryoserializer.buffer.mb 参数的值，将其调大，默认值为 2 ，单位是 MB ，也就是说最大能缓存 2M 的对象，然后进行序列化。可以在必要时将其调大。

 3. 什么场景下适合使用Kryo序列化？

        一般是针对一些自定义的对象，例如我们自己定义了一个对象，这个对象里面包含了几十M，或者上百M的数据，然后在算子函数内部，使用到了这个外部的大对象。
        如果默认情况下，让Spark用java序列化机制来序列化这种外部的大对象，那么就会导致序列化速度比较慢，并且序列化以后的数据还是比较大。所以，在这种情况下，比较适合使用Kryo序列化类库，来对外部的大对象进行序列化，提高序列化速度，减少序列化后的内存空间占用。

案例：Scala代码

package com.sanqian.scala

import org.apache.spark.storage.StorageLevel
import org.apache.spark.{SparkConf, SparkContext}

object KryoSerScala {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
    conf.setAppName("KryoSerScala").setMaster("local")
    //指定使用kryo序列化机制，注意：如果使用了registerKryoClasses，其实这一行设置是可以省略的
      .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
      .registerKryoClasses(Array(classOf[Person])) // 注册自定义的数据类型

    val sc = new SparkContext(conf)
    val dataRDD = sc.parallelize(Array("hello you", "hello me"))
    val wordsRDD = dataRDD.flatMap(_.split(" "))
    val personRDD = wordsRDD.map(word => Person(word, 18)).persist(StorageLevel.MEMORY_AND_DISK_SER)
    personRDD.foreach(println(_))

    while(true){
      ;
    }

  }
}

case class Person(name: String, age: Int) extends Serializable

         执行任务，然后访问localhost的4040界面。在界面中可以看到cache的数据大小是 31 字节

         那我们把kryo序列化设置去掉，使用默认的java序列化看一下效果，修改代码，注释掉这两行代码即可。

  //.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
      //.registerKryoClasses(Array(classOf[Person])) // 注册自定义的数据类型

         运行任务，再访问4040界面，发现此时占用的内存空间是 140 字节，比使用kryo的方式内存空间多占用了将近5倍。所以从这可以看出来，使用 kryo 序列化方式对内存的占用会降低很多。

 注意：如果我们只是将spark的序列化机制改为了kryo序列化，但是没有对使用到的自定义类型手工进行注册，那么此时内存的占用会介于前面两种情况之间

      .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
//      .registerKryoClasses(Array(classOf[Person])) // 注册自定义的数据类型

        运行任务，再访问4040界面，发现此时的内存占用为 123 字节，介于前面的 31 字节和 140 字节之间。所以从这可以看出来，在使用kryo序列化的时候，针对自定义的类型最好是手工注册一下，否则就算开启了kryo序列化，性能的提升也是有限的。

Java代码：

package com.sanqian.java;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.VoidFunction;
import org.apache.spark.storage.StorageLevel;

import java.io.Serializable;
import java.util.Arrays;
import java.util.Iterator;

public class KryoSerJava {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf();

        conf.setAppName("KryoSerJava").setMaster("local")
                .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
                .set("spark.kryo.classesToRegister", "com.sanqian.java.Person");

        JavaSparkContext sc = new JavaSparkContext(conf);
        JavaRDD<String> dataRDD = sc.parallelize(Arrays.asList("hello you", "hello me"));
        JavaRDD<String> wordsRDD = dataRDD.flatMap(new FlatMapFunction<String, String>() {
            @Override
            public Iterator<String> call(String line) throws Exception {
                return Arrays.asList(line.split(" ")).iterator();
            }
        });
        JavaRDD<Person> personRDD = wordsRDD.map(new Function<String, Person>() {
            @Override
            public Person call(String name) throws Exception {
                return new Person(name, 18);
            }
        }).persist(StorageLevel.MEMORY_ONLY_SER());

        personRDD.foreach(new VoidFunction<Person>() {
            @Override
            public void call(Person person) throws Exception {
                System.out.println(person);
            }
        });

        while (true) {
            ;
        }
    }
}

class Person implements Serializable {
    private String name;
    private int age;

    public Person(String name, int age) {
        this.name = name;
        this.age = age;
    }

    @Override
    public String toString() {
        return "Person{" +
                "name='" + name + '\'' +
                ", age=" + age +
                '}';
    }
}

（二）持久化或者checkpoint

        1）针对程序中多次被transformation或者action操作的RDD进行持久化操作，避免对一个RDD反复进行计算，再进一步优化，使用Kryo序列化的持久化级别，减少内存占用。
        2）为了保证RDD持久化数据在可能丢失的情况下还能实现高可靠，则需要对RDD执行Checkpoint操作。
        这两个操作我们前面讲过了，在这就不再演示了

（三）JVM垃圾回收调优

1. 如果内存设置不合理会导致大部分时间都消耗在垃圾回收上。
2. 默认情况下，Spark使用每个executor 60%的内存空间来缓存RDD，那么只有40%的内存空间来存放算子执行期间创建的对象。
3. 如果垃圾回收频繁发生，就需要对这个比例进行调优，通过参数spark.storage.memoryFraction来修改比例。

        在这种情况下，可能由于内存空间的不足，并且算子对应的task任务在运行时创建的对象过大，那么一旦发现 40% 的内存空间不够用了，就会触发Java虚拟机的垃圾回收操作。因此在极端情况下，垃圾回收操作可能会被频繁触发。

        在这种情况下，如果发现垃圾回收频繁发生。那么就需要对这个比例进行调优了，
spark.storage.memoryFraction 参数的值默认是 0.6 。使用 SparkConf().set("spark.storage.memoryFraction", "0.5") 可以进行修改，就是将RDD缓存占用
内存空间的比例降低为 50% ，从而提供更多的内存空间来保存task运行时创建的对象。

        因此，对于RDD持久化而言，完全可以使用Kryo序列化，加上降低其executor内存占比的方式，来减少其内存消耗。给task提供更多的内存，从而避免task在执行时频繁触发垃圾回收。

        我们可以对task的垃圾回收进行监测，在spark的任务执行界面，可以查看每个task执行消耗的时间，以及task gc消耗的时间。

1. 重新向集群中提交checkpoint的代码，查看spark任务的task指标信息

 1）点击生成的第一个job，再点击进去查看这个job的stage，进入第一个stage，查看task的执行情况，看这里面的GC time的数值会不会比较大，最直观的就是如果gc time这里标红了，则说明gc时间过长。

 2）上面这个是分任务查看，其实还可以查看全局的，看Executor进程中整个任务执行总时间和gc的消耗时间。

 2. Java中的GC

 

1）Java堆空间被划分成了两块空间：一个是年轻代，一个是老年代。
        年轻代放的是短时间存活的对象
        老年代放的是长时间存活的对象。
2）年轻代又被划分了三块空间， Eden、Survivor1、Survivor2

3）年轻代占堆内存的1/3，老年代占堆内存的2/3

4）其中年轻代又被划分了三块， Eden，Survivor1，Survivor2 的比例为 8:1:1

3. GC过程

        Eden区域和Survivor1区域用于存放对象，Survivor2区域备用。
        1）我们创建的对象，首先会放入Eden区域，如果Eden区域满了，那么就会触发一次Minor GC，进行年轻代的垃圾回收(其实就是回收Eden区域内没有人使用的对象)，然后将存活的对象存入Survivor1区域，再创建对象的时候继续放入Eden区域。第二次Eden区域满了，那么Eden和Survivor1区域中存活的对象，会一块被移动到Survivor2区域中。然后Survivor1和Survivor2的角色调换，Survivor1变成了备用。当第三次Eden区域再满了的时候，Eden和Survivor2区域中存活的对象，会一块被移动到Survivor1区域中，按照这个规律进行循环
        2）如果一个对象，在年轻代中，撑过了多次垃圾回收(默认是15次)，都没有被回收掉，那么会被认为是长时间存活的，此时就会被移入老年代。此外，如果在将Eden和Survivor1中的存活对象，尝试放入Survivor2中时，发现Survivor2放满了，那么会直接放入老年代。此时就出现了，短时间存活的对象，也会进入老年代的问题。
        3）如果老年代的空间满了，那么就会触发Full GC，进行老年代的垃圾回收操作，如果执行Full GC也释放不了内存空间，就会报内存溢出的错误了。

        Spark中，垃圾回收调优的目标就是，只有真正长时间存活的对象，才能进入老年代，短时间存活的对象，只能呆在年轻代。不能因为某个Survivor区域空间不够，在Minor GC时，就进入了老年代，从而造成短时间存活的对象，长期呆在老年代中占据了空间，这样Full GC时要回收大量的短时间存活的对象，导致Full GC速度缓慢。

        如果发现，在task执行期间，大量full gc发生了，那么说明，年轻代的Eden区域，给的空间不够大。此时可以执行一些操作来优化垃圾回收行为。

4. 如何解决GC问题

 1）最直接的就是提高Executor的内存
在spark-submit中通过参数指定executor的内存

--executor-memory 1G

 2）调整Eden与s1和s2的比值【一般情况下不建议调整这块的比值】

• -XX:NewRatio=4：设置年轻代(包括Eden和两个Survivor区)与年老代的比值(除去持久代).设置为4,则年轻代与年老代所占比值为1:4,年轻代占整个堆栈的1/5
• -XX:SurvivorRatio=4：设置年轻代中Eden区与Survivor区的大小比值.设置为4,则两个Survivor区与一个Eden区的比值为2:4,一个Survivor区占整个年轻代的1/6

具体使用的时候在 spark-submit 脚本中通过 --conf 参数设置即可

--conf "spark.executor.extraJavaOptions= -XX:SurvivorRatio=4 -XX:NewRatio=4"

 注意：其实最直接的就是增加Executor的内存，如果这个内存上不去，其它的修改都是徒劳。一般很少需要去调整Eden、s1、s2的比值，一般都是直接增加Executor的内存比较靠谱。

（四）提高并行度

1. 要尽量社会合理的并行度，来充分利用集群的资源，才能充分提高Spark程序的性能
2. 可以手动使用textFile()、parallelize()等方法的第二个参数来设置并行度，也可以使用spark.default.parallelism参数，来设置统一的并行度，Spark官方推荐，给集群中的每个cpu设置2~3个task

1. 并行度案例分析

 案例：在 spark-submit 脚本中给任务设置了5 个executor，每个executor，设置了2个cpu core，此时，如果我在代码中设置了默认并行度为5。

spark-submit \
--master yarn \
--deploy-mode cluster \
--executor-memory 1G \
--num-executors 5 \
--executor-cores 2 \
......

conf.set("spark.default.parallelism","5")

过程：

        1）这个参数设置完了以后，也就意味着所有RDD的partition都被设置成了5个，针对RDD的每一个partition，spark会启动一个task来进行计算，所以对于所有的算子操作，都只会创建5个task来处理对应的RDD中的数据。

        2）但是注意了，我们前面在spark-submit脚本中设置了5个executor，每个executor 2个cpu core，所以这个时候spark其实会向yarn集群申请10个cpu core，但是我们在代码中设置了默认并行度为5，只会产生5个task，一个task使用一个cpu core，那也就意味着有5个cpu core是空闲的，这样申请的资源就浪费了一半。

        3）其实最好的情况，就是每个cpu core都不闲着，一直在运行，这样可以达到资源的最大使用率，其实让一个cpu core运行一个task都是有点浪费的，官方也建议让每个cpu core运行2~3个task，这样可以充分压榨CPU的性能 。

        为什么这样说呢？因为每个task执行的顺序和执行结束的时间很大概率是不一样的，如果正好有10个cpu，运行10个taks，那么某个task可能很快就执行完了，那么这个CPU就空闲下来了，这样资源就浪费了。所以说官方推荐，给每个cpu分配2~3个task是比较合理的，可以充分利用CPU资源，发挥它最大的价值。

2.Scala代码：

package com.sanqian.scala

import org.apache.spark.{SparkConf, SparkContext}

object MoreParallelismScala {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
    conf.setAppName("MoreParallelismScala")
    //设置全局并行度
    conf.set("spark.default.parallelism", "5")
    val sc = new SparkContext(conf)

    val dataRDD = sc.parallelize(Array("hello", "you", "hello", "me", "hehe", "hello", "you", "hello", "me", "hehe"))
    dataRDD.map((_, 1)).reduceByKey(_ + _).foreach(println(_))

    sc.stop()

  }
}

        任务提交到集群运行之后，查看spark的任务界面，先看executors，这里显示了5个executor进程和1个driver进程

         然后去看satges界面，两个Stage都是5个task并行执行，这5个task会使用5个cpu，但是我们给这个任务申请了10个cpu，所以就有5个是空闲的了。

         如果想要最大限度利用CPU的性能，至少将 spark.default.parallelism 的值设置为10，这样可以实现一个cpu运行一个task，其实官方推荐是设置为20或者30。     

        接下来我们来看一个图，加深一下理解

 这个图中描述的就是刚才我们演示的两种情况下Executor和Task之间的关系

3. spark-submit脚本中经常配置的一些参数

--name mySparkJobName：指定任务名称
--class com.imooc.scala.xxxxx ：指定入口类
--master yarn ：指定集群地址，on yarn模式指定yarn
--deploy-mode cluster ：client代表yarn-client，cluster代表yarn-cluster
--executor-memory 1G ：executor进程的内存大小，实际工作中设置2~4G即可
--num-executors 2 ：分配多少个executor进程
--executor-cores 2 : 一个executor进程分配多少个cpu core
--driver-cores 1 ：driver进程分配多少cpu core，默认为1即可
--driver-memory 1G：driver进程的内存，如果需要使用类似于collect之类的action算子
向driver端拉取数据，则这里可以设置大一些
--jars fastjson.jar,abc.jar 在这里可以设置job依赖的第三方jar包【不建议把第三方依
赖jar包整体打包进saprk的job中，那样会导致任务jar包过大，并且也不方便统一管理依赖j
ar包的版本，这里的jar包路径可以指定本地磁盘路径，或者是hdfs路径，建议使用hdfs路径
，因为spark在提交任务的时候会把本地磁盘的依赖jar包也上传到hdfs的一个临时目录中，如
果在这里本来指定的就是hdfs的路径，那么spark在提交任务的时候就不会重复提交依赖的这
个jar包了，这样其实可以提高任务提交的效率，并且这样可以方便统一管理第三方依赖jar包
，所有人都统一使用hdfs中的共享的这些第三方jar包，这样版本就统一了，所以我们可以在h
dfs中创建一个类似于commonLib的目录，统一存放第三方依赖的jar包，如果一个Spark job
需要依赖多个jar包，在这里可以一次性指定多个，多个jar包之间通过逗号隔开即可】
--conf "spark.default.parallelism=10"：可以动态指定一些spark任务的参数，指定多
个参数可以通过多个--conf来指定，或者在一个--conf后面的双引号中指定多个，多个参数之
间用空格隔开即可

 最后注意一点：针对 --num-executors 和 --executor-cores 的设置，两种方式设置有什么区别：
第一种方式：

        --num-executors 2
        --executor-cores 1

第二种方式：

        --num-executors 1
        --executor-cores 2

这两种设置最终都会向集群申请2个cpu core，可以并行运行两个task，但是这两种设置方式有什么区别呢？

        第一种方法：多executor模式。由于每个executor只分配了一个cpu core，我们将无法利用在同一个JVM中运行多个任务的优点。 我们假设这两个executor是在两个节点中启动的，那么针对广播变量这种操作，将在两个节点的中都复制1份，最终会复制两份

        第二种方法：多core模式。此时一个executor中会有2个cpu core，这样可以利用同一个JVM中运行多个任务的优点，并且针对广播变量的这种操作，只会在这个executor对应的节点中复制1份即可。那是不是我可以给一个executor分配很多的cpu core，也不是的，因为一个executor的内存大小是固定的，如果在里面运行过多的task可能会导致内存不够用，所以这块一般在工作中我们会给一个executor分配 2~4G 内存，对应的分配 2~4 个cpu core。

（五）数据本地化

 1. 数据本地化介绍

        数据本地化，指的是，数据离计算它的代码有多近。

        数据本地化对于Spark Job性能有着巨大的影响。如果数据以及要计算它的代码是在一起的，那么性能当然会非常高。但是，如果数据和计算它的代码是分开的，那么其中之一必须到另外一方的机器上。通常来说，移动代码到其它节点，会比移动数据到代码所在的节点，速度要得多，因为代码比较小。Spark也正是基于这个数据本地化的原则来构建task调度算法的。

2. 数据本地化级别

（1）PROCESS_LOCAL：进程本地化，性能最好：数据和计算它的代码在同一个JVM进程
中

（2）NODE_LOCAL ： 节点本地化：数据和计算它的代码在一个节点上，但是不在一个JVM进程中，数据需要跨进程传输

（3）NO_PREF ： 数据从哪里过来，性能都是一样的，比如从数据库中获取数据，对于task而言没有区别

（4）RACK_LOCAL： 数据和计算它的代码在一个机架上，数据需要通过网络在节点之间进行传输

（5）ANY ： 数据可能在任意地方，比如其它网络环境内，或者其它机架上，性能最差

3. 数据本地化优化

1） Spark倾向使用最好的本地化级别调度task，但这是不现实的。

        如果目前我们要处理的数据所在的executor上目前没有空闲的CPU，那么Spark就会放低本地化级别。这时有两个选择：
        第一，等待，直到executor上的cpu释放出来，那么就分配task过去；
        第二，立即在任意一个其它executor上启动一个task。

2）Spark默认会等待指定时间，期望task要处理的数据所在的节点上的executor空闲出一个cpu，从而将task分配过去，只要超过了时间，那么Spark就会将task分配到其它任意一个空闲的executor上

3）可以设置参数， spark.locality 系列参数，来调节Spark等待task可以进行数据本地化的时间

spark.locality.wait（3000毫秒）：默认等待3秒
spark.locality.wait.process：等待指定的时间看能否达到数据和计算它的代码在同一个J
VM进程中
spark.locality.wait.node：等待指定的时间看能否达到数据和计算它的代码在一个节点上
执行
spark.locality.wait.rack：等待指定的时间看能否达到数据和计算它的代码在一个机架上