1.普通方式提交任务的缺点以及优化方法。
使用spark-shell/spark-submit脚本提交作业到yarn时:
2exector :花了一分钟时间
200executor :会花费更多更多的时间在向yarn申请资源
- 缺点一:耗费太多的时间用于申请资源上,尤其针对那些小任务(可能任务本身20秒完成)
- 缺点二:若因为数据倾斜导致部分task一值无法结束,那么即使那些完成任务的task的资源也不会释放
- 缺点三:默认的Sparl sql join以及aggregation的ShufflePatition数默认是200,若数据有时多有时少,那么定死的参数肯定不合适
- 缺点四:要处理的数据都有波峰波谷,如何保证波峰资源不吃紧波谷资源不浪费。
**思考:**我们是否将所有的作业共享Spark session以及SparkContext来解决上述的问题?
答案是可以的,社区提供了:JobServer(third-party package) 、Livy(使用不是很理想)这两种服务,当然有技术积累的公司是通过自研方式解决共享Spark session的问题。
2.SparkSQL执行计划
官方对SparkSQl自身解析以及优化有详细的介绍,PDF文档链接:
链接:https