spark 性能调优

最新推荐文章于 2024-11-07 16:41:13 发布

chixuegui9567

最新推荐文章于 2024-11-07 16:41:13 发布

阅读量84

点赞数

文章标签：大数据数据库 ui

原文链接：https://my.oschina.net/whx403/blog/838658

版权

算子优化

1、rdd持久化：

//需要常用的rdd,并且计算时间长
//直接在内存的StorageLevel.MEMORY_ONLY
//内存溢出时建议使用MEMORY_ONLY_SER，先序列化再保存在内存中
//内存还是不够的化，MEMORY_AND_DISK_SER
rdd.cache() 相当于 rdd.persist(StorageLevel.MEMORY_ONLY)

2:使用mapPartitions替代普通map

　　mapPartitions类的算子，一次函数调用会处理一个partition所有的数据，而不是一次函数调用处理一条，性能相对来说会高一些。但是有的时候，使用mapPartitions会出现OOM（内存溢出）的问题。因为单次函数调用就要处理掉一个partition所有的数据，如果内存不够，垃圾回收时是无法回收掉太多对象的，很可能出现OOM异常。所以使用这类操作时要慎重！

3:使用foreachPartition替代foreach

　　原理类似于“使用mapPartitions替代map”，也是一次函数调用处理一个partition的所有数据，而不是一次函数调用处理一条数据。在实践中发现，foreachPartitions类的算子，对性能的提升还是很有帮助的。比如在foreach函数中，将RDD中所有数据写MySQL，那么如果是普通的foreach算子，就会一条数据一条数据地写，每次函数调用可能就会创建一个数据库连接，此时就势必会频繁地创建和销毁数据库连接，性能是非常低下；但是如果用foreachPartitions算子一次性处理一个partition的数据，那么对于每个partition，只要创建一个数据库连接即可，然后执行批量插入操作，此时性能是比较高的。实践中发现，对于1万条左右的数据量写MySQL，性能可以提升30%以上。

运行参数调优

1、num-executors

　　主要是用来设置要用几个Executor进程执行任务，一般设置50-100

2、executor-memory

　　设置每个Executor进程的内存，看具体需要一般设置为4G

3、executor-cores

　　设置每个Executor进程的分配到的cpu

4、driver-memory

　　设置driver进程的分配到的内存，主要看最后collect的大小，一般设置1G

5、spark.default.parallelism

　　设置每个stage的默认task数量。一般是num-executors *executor-cores 的3倍

6、spark.storage.memoryFraction

　　设置RDD持久化数据在Executor内存中能占的比例，默认是0.6。也就是说，默认Executor 60%的内存，可以用来保存持久化的RDD数据。根据你选择的不同的持久化策略，如果内存不够时，可能数据就不会持久化，或者数据会写入磁盘。

如果Spark作业中，有较多的RDD持久化操作，该参数的值可以适当提高一些，保证持久化的数据能够容纳在内存中。避免内存不够缓存所有的数据，导致数据只能写入磁盘中，降低了性能。但是如果Spark作业中的shuffle类操作比较多，而持久化操作比较少，那么这个参数的值适当降低一些比较合适。此外，如果发现作业由于频繁的gc导致运行缓慢（通过spark web ui可以观察到作业的gc耗时），意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。

7、spark.shuffle.memoryFraction

设置shuffle过程中一个task拉取到上个stage的task的输出后，进行聚合操作时能够使用的Executor内存的比例，默认是0.2。也就是说，Executor默认只有20%的内存用来进行该操作。shuffle操作在进行聚合时，如果发现使用的内存超出了这个20%的限制，那么多余的数据就会溢写到磁盘文件中去，此时就会极大地降低性能。

如果Spark作业中的RDD持久化操作较少，shuffle操作较多时，建议降低持久化操作的内存占比，提高shuffle操作的内存占比比例，避免shuffle过程中数据过多时内存不够用，必须溢写到磁盘上，降低了性能。此外，如果发现作业由于频繁的gc导致运行缓慢，意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。

8、spark.sql.shuffle.partitions

在使用spark sql 中需要用到shuffle的地方，如：join,默认的partition是200，有时候需要手动设置

例子：

time spark-submit --master yarn  \
--class com.fz.bi.logs.CmsTrafficLog \
--executor-memory 4G \
--num-executors 10 \
--executor-cores 3 \
--driver-memory 1G \
--conf spark.default.parallelism=100 \
--conf spark.sql.shuffle.partitions=255 \
--conf "spark.driver.extraJavaOptions=-Dlog4j.configuration=file:~/whx/Conf/log4j.properties" \
~/whx/productJar/logFormat-assembly-0.0.2.jar cms 20170110

转载于:https://my.oschina.net/whx403/blog/838658