spark性能优化

1.分配更多的资源： 它是性能优化调优的王道，就是增加和分配更多的资源，这对于性能和速度上的提升是显而易见的，基本上，在一定范围之内，增加资源与性能的提升，是成正比的；写完了一个复杂的spark作业之后，进行性能调优的时候，首先第一步，就是要来调节最优的资源配置；在这个基础上，如果说你的spark作业，能够分配的资源达到了你的能力范围的顶端之后，无法在分配更多的资源了，公司资源有限，那么才是考虑去做后面的这些性能的调优的点。
1.1.参数调节到多大，算是最大： 第一种情况：standalone模式 先计算出公司spark集群上的所有资源，每台节点的内存大小和核数； 比如：一共有20台worker节点，每台节点8G内存，10个cup。实际任务在给定资源的时候，可以给20个executor，每个executor的内存8g，每个executor的使用cup个数10； 第二种情况：yarn：先计算出yarn集群的多有大小，比如一共500g内存，100个cup；这个时候可以分配的最大资源，比如给定50个executor，每个executor的内存大小是10g，每个executor的使用的cup个数为2；
使用原则：你能使用的资源有多大，就尽量去调节到最大的大小（executor的数量：几十个到上百个不等，executor的内存：executor的个数）

2.提高并行度 spark的并行度指的是什么：spark作业中，各个stage的task的数量，也就代表了spark作业在各个阶段stage的并行度！ 当分配完所能分配的最大的资源了，然后对应资源程序的并行度，如果并行度没有与资源相匹配，那么导致你分配下去的资源都浪费掉了，同时并行运行，还可以让每个task要处理的数量变少（很简单的原理，合理设置并行度，可以充分利用集群资源，减少每个task处理数据量，而增加性能加快运行速度）
2.2如何提高并行度 设置task的数量： 至少设置成与spark application的总cup core数量相同（最理想情况，150个core，分配150task，一起运行，差不多同一时间运行完毕）官方推荐，task数量，设置成spark application总cup core数量的2~3倍。
给rdd重新设置parition的数量：使用rdd.repartition来重新分区，该方法会生成一个新的rdd，使其分区数变大，此时由于一个partition对应一个task，那么对应的task个数越多，通过这种方式也可以提高并行度。
提高sparksql运行的task数量：通过设置参数 spark.sql.shuffle.partition=500 默认是200；可以适当调大，来提高并行度。
rdd的重用和持久化：
（1）当第一次使用rdd2做相应的算子操作得到rdd3的时候，就会从rdd1开始计算，先读取HDFS上的文件，然后对rdd1 做对应的算子操作得到rdd2,再由rdd2计算之后得到rdd3。同样为了计算得到rdd4，前面的逻辑会被重新计算。 （3）默认情况下多次对一个rdd执行算子操作，去获取不同的rdd，都会对这个rdd及之前的父rdd全部重新计算一次。 这种情况在实际开发代码的时候会经常遇到，但是我们一定要避免一个rdd重复计算多次，否则会导致性能急剧降低。 总结：可以把多次使用到的rdd，也就是公共rdd进行持久化，避免后续需要，再次重新计算，提升效率。

如何对rdd进行持久化 可以调用rdd的cache或者presist方法。
（1）cache方法默认是把数据持久化到内存中 ，例如：rdd.cache ，其本质还是调用了persist方法 （2）persist方法中有丰富的缓存级别，这些缓存级别都定义在StorageLevel这个object中，可以结合实际的应用场 景合理的设置缓存级别
rdd持久化的时可以采用序列化 ：（1）如果正常将数据持久化在内存中，那么可能会导致内存的占用过大，这样的话，也许会导致OOM内存溢出。 （2）当纯内存无法支撑公共RDD数据完全存放的时候，就优先考虑使用序列化的方式在纯内存中存储。将RDD的每个 partition的数据，序列化成一个字节数组；序列化后，大大减少内存的空间占用。 （3）序列化的方式，唯一的缺点就是，在获取数据的时候，需要反序列化。但是可以减少占用的空间和便于网络传输 （4）如果序列化纯内存方式，还是导致OOM，内存溢出；就只能考虑磁盘的方式，内存+磁盘的普通方式（无序列化）。 （5）为了数据的高可靠性，而且内存充足，可以使用双副本机制，进行持久化 持久化的双副本机制，持久化后的一个副本，因为机器宕机了，副本丢了，就还是得重新计算一次； 持久化的每个数据单元，存储一份副本，放在其他节点上面，从而进行容错； 一个副本丢了，不用重新计算，还可以使用另外一份副本。这种方式，仅仅针对你的内存资源极度充足
广播变量的使用：场景描述，在实际工作中可能会遇到这样的情况，由于要处理的数据量非常大，这个时候可能会在一个stage中出现大量的 task，比如有1000个task，这些task都需要一份相同的数据来处理业务，这份数据的大小为100M，该数据会拷贝 1000份副本，通过网络传输到各个task中去，给task使用。这里会涉及大量的网络传输开销，同时至少需要的内存 为1000100M=100G，这个内存开销是非常大的。不必要的内存的消耗和占用，就导致了，你在进行RDD持久化 到内存，也许就没法完全在内存中放下；就只能写入磁盘，后导致后续的操作在磁盘IO上消耗性能；这对于 spark任务处理来说就是一场灾难。
由于内存开销比较大，task在创建对象的时候，可能会出现堆内存放不下所有对象，就会导致频繁的垃圾回收器的 回收GC。GC的时候一定是会导致工作线程停止，也就是导致Spark暂停工作那么一点时间。频繁GC的话，对 Spark作业的运行的速度会有相当可观的影响

广播变量引入：Spark中分布式执行的代码需要传递到各个executor的task上运行。对于一些只读、固定的数据,每次都需要Driver 广播到各个Task上，这样效率低下。广播变量允许将变量只广播（提前广播）给各个executor。该executor上的各 个task再从所在节点的BlockManager(负责管理某个executor对应的内存和磁盘上的数据)获取变量，而不是从 Driver获取变量，从而提升了效率

广播变量，初始的时候，就在Drvier上有一份副本。通过在Driver把共享数据转换成广播变量。 task在运行的时候，想要使用广播变量中的数据，此时首先会在自己本地的Executor对应的BlockManager中，尝 试获取变量副本；如果本地没有，那么就从Driver远程拉取广播变量副本，并保存在本地的BlockManager中； 此后这个executor上的task，都会直接使用本地的BlockManager中的副本。那么这个时候所有该executor中的 task都会使用这个广播变量的副本。也就是说一个executor只需要在第一个task启动时，获得一份广播变量数据，之后 的task都从本节点的BlockManager中获取相关数据。 executor的BlockManager除了从driver上拉取，也可能从其他节点的BlockManager上拉取变量副本，网络距离 越近越好
使用广播变量后的性能分析：比如一个任务需要50个executor，1000个task，共享数据为100M。 (1)在不使用广播变量的情况下，1000个task，就需要该共享数据的1000个副本，也就是说有1000份数需要大量的网络 传输和内存开销存储。耗费的内存大小1000100=100G.   (2)使用了广播变量后，50个executor就只需要50个副本数据，而且不一定都是从Driver传输到每个节点，还可能是就 近从近的节点的executor的blockmanager上拉取广播变量副本，网络传输速度大大增加；内存开销 50*100M=5G   总结： 不使用广播变量的内存开销为100G，使用后的内存开销5G，这里就相差了20倍左右的网络传输性能损耗和内存开 销，使用广播变量后对于性能的提升和影响，还是很可观的。           广播变量的使用不一定会对性能产生决定性的作用。比如运行30分钟的spark作业，可能做了广播变量以后，速度 快了2分钟，或者5分钟。但是一点一滴的调优，积少成多。后还是会有效果的。