背景:一个Spark任务定时任务,每天8点-22点30分每隔半小时跑一次,一直没问题,有一天22:30分区失败,运行超时,从此每天都最后一个分区运行超时
从截图可以看出,任务从早到晚执行时间逐渐增加 。数据跑的都是当前的全量,唯一的区别就是表数据前一天的全量表(每天跑全量整合一次)+当前天的增量,增量部分是通过flink写入的,每隔半小时大概会有60万数据新增
在数据方面,不会有太大的区别,提示数据倾斜,首先通过group by 订单号 order by 订单号 desc 查看数据是否倾斜,未发现有null情况,因为表关联之间通过订单号,所有也不可能存在大量相同的key。查看spark job执行情况。
产出大量小任务,任务最大的停留时间不超过1.5min,整个任务不足50M,因为有些任务处理时间几个小时,成功的任务也就几分钟,故则被认为数据倾斜
通过查询成功执行的spark job,并没有产生这么多的小任务。小任务多严重影响了执行效率,推测可能是该问题造成。
查看spark SQL内容,发现设置了以下参数
set spark.sql.shuffle.partitions=1100;
该参数能提升任务并行度从而提升速度,相应的会产生小任务
去掉,执行之后,任务能成功执行成功,但是花费了接近2-3小时。
加上 set spark.sql.adaptive.enabled=true; 后效果并没有多大提升
这时候考虑提升资源(无论什么,提升资源是最暴力的解决方法,也是有效的)
从-executor-cores=4,spark.driver.memory=4g,-executor-memory=g6
修改为
-executor-cores=4,spark.driver.memory=12g,-executor-memory=20g
并且将set spark.sql.shuffle.partitions=1100;加上
这个时候,任务基本能在20分钟内执行成功
这个任务首先有十几张表独立的group by操作,可以提升并行度处理,最后十几张表联表整合,可以设置任务合并,减少小任务,并且提升资源,保证整体可用
在此之外,还做了以下操作:
1,删除多余的group by 语句
2,列剪裁,只取需要的列,不用select *