Spark性能优化-Shuffer调优

from：http://spark.apache.org/docs/1.6.2/configuration.html#shuffle-behavior

spark.shuffle.file.buffer

以下是 Shffule 过程中的一些主要参数，这里详细讲解了各个参数的功能、默认值以及基于实践经验给出的调优建议。
默认值： 32k
参数说明：该参数用于设置 shufflewrite task 的 BufferedOutputStream 的 buffer 缓冲大小。将数据写到磁盘文件之前，会先写入 buffer 缓冲中，待缓冲写满之后，才会溢写到磁盘。
调优建议：
   如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如 64k ），从而减少 shuffle write 过程中溢写磁盘文件的次数，也就可以减少磁盘 IO 次数，进而提升性能。在实践中发现，合理调节该参数，性能会有 1%~5% 的提升。

spark.reducer.maxSizeInFlight

默认值： 48m
参数说明：
   该参数用于设置 shuffle read task 的 buffer 缓冲大小，而这个 buffer 缓冲决定了每次能够拉取多少数据。
调优建议：
   如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如 96m ），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现，合理调节该参数，性能会有 1%~5% 的提升。

spark.shuffle.io.maxRetries

默认值： 3
参数说明：
   shuffle read task 从 shufflewrite task 所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数。如果在指定次数之内拉取还是没有成功，就可能会导致作业执行失败 。

调优建议：
   对于那些包含了特别耗时的 shuffle 操作的作业，建议增加重试最大次数（比如 60 次），以避免由于 JVM 的 full gc 或者网络不稳定等因素导致

spark.shuffle.io.retryWait

默认值：5s
参数说明：
   具体解释同上，该参数代表了每次重试拉取数据的等待间隔，默认是5s。
调优建议：
   建议加大间隔时长（比如60s），以增加shuffle操作的稳定性。

spark.shuffle.memoryFraction

默认值： 0.2
    参数说明：该参数代表了 Executor 内存中，分配给 shuffle read task 进行聚合操作的内存比例，默认是 20% 。
   调优建议：在资源参数调优中讲解过这个参数。如果内存充足，而且很少使用持久化操作，建议调高这个比例，给 shuffle read 的聚合操作更多内存，以避免由于内存不足导致聚合过程中频繁读写磁盘。在实践中发现，合理调节该参数可以将性能提升 10% 左右。

spark.shuffle.manager

默认值： sort
参数说明：
   该参数用于设置 ShuffleManager 的类型。 Spark 1.5 以后，有三个可选项： hash 、 sort 和 tungsten-sort 。 HashShuffleManager 是 Spark 1.2 以前的默认选项，但是 Spark 1.2 以及之后的版本默认都是 SortShuffleManager 了。 tungsten-sort 与 sort 类似，但是使用了 tungsten 计划中的堆外内存管理机制，内存使用效率更高。
调优建议：
   由于 SortShuffleManager 默认会对数据进行排序，因此如果你的业务逻辑中需要该排序机制的话，则使用默认的 SortShuffleManager 就可以；而如果你的业务逻辑不需要对数据进行排序，那么建议参考后面的几个参数调优，通过 bypass 机制或优化的 HashShuffleManager 来避免排序操作，同时提供较好的磁盘读写性能。这里要注意的是， tungsten-sort 要慎用，因为之前发现了一些相应的 bug 。

spark.shuffle.sort.bypassMergeThreshold

默认值： 200
参数说明：
   当 ShuffleManager 为 SortShuffleManager 时，如果 shuffle read task 的数量小于这个阈值（默认是 200 ），则 shuffle write 过程中不会进行排序操作，而是直接按照未经优化的 HashShuffleManager 的方式去写数据，但是最后会将每个 task 产生的所有临时磁盘文件都合并成一个文件，并会创建单独的索引文件。
调优建议：
   当你使用 SortShuffleManager 时，如果的确不需要排序操作，那么建议将这个参数调大一些，大于 shuffle read task 的数量。那么此时就会自动启用 bypass 机制， map-side 就不会进行排序了，减少了排序的性能开销。但是这种方式下，依然会产生大量的磁盘文件，因此 shuffle write 性能有待提高。

spark.shuffle.consolidateFiles

默认值： false
参数说明：
   如果使用 HashShuffleManager ，该参数有效。如果设置为 true ，那么就会开启 consolidate 机制，会大幅度合并 shuffle write 的输出文件，对于 shuffle read task 数量特别多的情况下，这种方法可以极大地减少磁盘 IO 开销，提升性能。
调优建议：
   如果的确不需要 SortShuffleManager 的排序机制，那么除了使用 bypass 机制，还可以尝试将 spark.shuffle.manager 参数手动指定为 hash ，使用 HashShuffleManager ，同时开启 consolidate 机制。在实践中尝试过，发现其性能比开启了 bypass 机制的 SortShuffleManager 要高出 10%~30% 。

shuffle总结：

              spark.shuffle.file.buffer

                     ---->shuffle wirte的时候的buffer的大小，也就是bucket的默认大小：32k

                     在持久化不多的情况下，可以调大

              spark.reducer.maxSizeInFlight

                     ---->shuffle read的每次拉取shuffle write文件中的最大的数据体积：48M

                     ----做相应修改

              spark.shuffle.io.maxRetries

                     ---->shuffle read拉取shufflewrite结果的最大的次数：3次

              spark.shuffle.io.retryWait

                     ---->重新拉取数据的间隔等待时间

              spark.shuffle.memoryFraction

                     ---->executor分配给shuffle read聚合的内存区域比例：0.2

                     在持久化不多的情况下，可以调大，也就意味着要将spark.storage.memoryFraction调低（0.5）

              spark.shuffle.manager

                     指定我们进行shuffle操作的管理类：在1.5之后默认为sort|hash

                     如果在shuffle过程中，不需要进行排序的话，可以将其指定为hash，反之使用默认sort即可

              spark.shuffle.sort.bypassMergeThreshold：200

                     当在执行shuffle操作的时候，如果task的个数不足该参数（和spark.default.parallelism 200一样）的时候，使用的

                     shuffleManager为hash而不是sort，

                     所以如果在shuffle过程中如果不需要排序的话，另外一种方式就是调大改参数的值，就可以不用走sort了。

              spark.shuffle.consolidateFiles

                     如果在走的是hashshuffleWriter，那么这是时候建议开启consolidate机制，可以大大的降低shuffleblockFile的个数，

                     降低磁盘IO，提高程序的性能。