spark-大表join优化方案

数据量：
1~2G左右的表与3~4T的大表进行Join

拆分
将任务数据分为多个结果RDD，将各个RDD的数据写入临时的hdfs目录，最后合并

取所需的字段和数据，并去重，减少data shuffle的规模

调整并行度和shuffle参数

spark-submit 参数

#提高shuffle阶段的任务并行度，降低单个任务的内存占用
--conf spark.default.parallelism=2000 
#提高shuffle 缓冲区大小
--conf spark.shuffle.file.buffer=128k 
#增加堆外内存大小
--conf spark.yarn.executor.memoryOverhead=1g

增加资源

这就不细说了，num-executors 不是越多越好 有边界

优化数据倾斜

检查数据是否是skewed data，即join出的key value pair大小极度不均，解决方案可以参考：
https://zhuanlan.zhihu.com/p/21483985