Spark面试题-Spark常用的优化有些？

Spark常用的优化有些？

优化的目标：

优化的目标是促成CPU、内存、IO(磁盘和网络)的平衡，通过调整任务并行度，充分利用CPU的并发能力，任务过多会导致任务阻塞和任务调度开支增大，任务过少导致CPU利用率第，数据分片大，出现内存溢出。尽量避免shuffle，shffle一定会导致磁盘IO和网络IO，IO会大幅降低应用性能，如果无法避免shuffle，则要在shuffle的时机和方式上慎重选择。

出发点是平衡而充分的利用硬件资源，从任务开始时合理的并行度、计算过程中的内存充分利用、Shuffle相关优化三个方向思考优化措施，而具体实施又都落实到配置和代码两个方面。

具体的思路：

• 任务开始时的并发度
  根据数据集的大小+partitioner计算分片数量，根据分片数量和分片大小确定要申请的资源。
  在计算的过程中，如果filter之后出现了数据的大幅减小，可以通过repatition重分区，避免对CPU和内存的浪费。

• 任务计算过程中的内存充分利用
  根据任务的特点调整内存各部分使用比例，预估UserMemory、Execution Memory、Storage Memory大小，根据比例调整各部分内存占用比例。

  缓存计算代价大且会被重复使用的RDD，避免从头到尾的重复计算。缓存使用kryo序列化，SparkConf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer").registerKryoClasses(xxxx)。

  使用广播变量让同一个Executor下的Task共享用户数据，降低UserMemory的使用大小。

  增大任务本地化等待时间：spark.locality.wait，该值默认3秒，可适当扩大。
  考虑RDD的存储压缩 spark.rdd.compress

• Shuffle相关优化
  使用广播变量避免shuffle
  将shuffle的时机尽量延后，尽量降低shuffle过程中全网传输的数量
  用key by替换group by
  增大map端数据输出缓存大小，spark.shuffle.file.buffer，默认32k，可设置为64k，该值越大，落盘次数越少，速度越快
  增大reduce拉取数据时网络缓存的大小，spark.reducer.maxSizeInFlight，默认为48M，可设为96M，该值越大，每次从网络拉取的数据越多，所需要的拉取次数越小。

附：