调优:尽量避免使用shuffle类算子
Spark作业运行过程中,最消耗性能的就是shuffle过程
shuffle过程:将分布在集群中多个节点的同一个key,拉取到同一个节点上进行聚合或join操作,比如reduceByKey、join等算子都会触发shuffle操作。
shuffle过程中
shuffle过程中,各个节点上的相同Key都会先写入本地磁盘文件中,然后其它节点需要通过网络传输拉取各个节点上磁盘文件中的相同key,而且相同key都拉取到同一个节点进行聚合操作时,还可能因为节点上处理的key过多,导致内存不够存放,进而溢写到磁盘文件中。
因此在shuffle过程中,可能会发生大量的磁盘文件读写的I/O操作,以及数据的传输操作,磁盘IO和网络数据传输也是shuffle性能较差的主要原因。
因此我们尽可能避免使用reduceByKey、join、distinct、repartition等会进行shuffle操作的算子,尽量使用map类的非shuffle算子,这样没有shuffle或较少的shuffle操作的Spark作业,可以大量减少性能开销。
Spark会进行shuffle操作的有以下算子
1.repartition类的操作:比如:repartition、repartitionAndSortWithinPartitions、coalesce等
2.byKey类的操作:比如reduceByKey、gr