spark调优 shuffle调节map端内存缓冲与reduce端内存占比

spark.shuffle.file.buffer,    默认是32k

spark.shuffle.memoryFraction,   0.2

map端内存缓冲，reduce端内存占比

 

默认情况下，shuffle的map task,输出到磁盘文件的时候，统一都会先写入到每个task自己关联的一个内存缓冲区，

这个默认的内存缓冲区默认是32Kb

每一次当内存缓冲区满溢后，然后才会进行溢写到磁盘中

reduce task，在进行聚合的操作的时候，实际上，使用的就是自己对应的executor的内存，executor(其实对应的就是一个jvm进程，堆)，默认executor内存中划分给reduce task进行聚合的比例，是0.2

问题来了，因为比例是0.2，所以就很有可能会出现，拉取过来的数据很多，那么在内存中，放不下，然后得溢写到磁盘

 

如果不调会出现什么问题呢？

每个task就处理320kb,32kb,总共会向磁盘溢写320/32 = 10次

 

在map task处理的数据量比较大的情况下，而你的task的内存缓冲默认是比较小 的，可能会造成多次的map端往磁盘文件的split溢写操作，发生磁盘IO,从而降低性能。

 

reduce端聚合内存，占比，默认是0.2.如果数据量比较大，reduce task拉取过来的数据很多，那么就会频繁发生reduce端内存不够用，频繁溢写到磁盘，磁盘IO,降低性能。

 

调节上面说的那俩个参数，调节的时候的原则，spark.shuffle.file.buffer,每次扩大一倍，然后看看效果

spark.shuffle.memoryFraction 每次提高0.1,看看效果

也不能调的太大