Spark性能优化第三季

一：Spark程序数据结构的优化

1，Java的对象：对象头是16个字节（例如指向对象的指针等元数据信息），如果对象只有一个int的property，则此时会占据20字节，也就是说对象的元数据占用了大部分的空间，所有在封装数据的时候尽量不要使用对象！例如说使用JSON格式来封装数据；

2，Java中的基本的数据类型会自动的封箱操作，例如int会自动变成Integer，这会额外增加对象头的空间占用；

3，Java的String在实际占用内存方面要额外使用40个字节（String的内部使用char[]来保存字符序列），另外需要注意的是String每个字符是2字节（UTF-16），如果内部有5个字符的话，实际上会占用50个字节；

4，Java中的集合List，HashMap等等其内部一般使用链表，具体的每个数据使用Entry等，这些也非常消耗内存；

5，优先使用原生数组，尽可能不要使用ArrayLiast、HashMap、LinkedList等数据结构，例如说List list = new ArrayList()需要考虑替换为int[] array = new int[];

6，优先使用String（推荐使用JSON），而不是采用HashMap、List等来封装数据，例如Map<Integer,Worker> workers = new HashMap<Integer,Worker>()，建议使用JSON字符串或者自己构建的String字符串对象，例如“id:name,salary||id:name,salary||id:name,salary”；

二：Spark内存消耗诊断

1，JVM自带众多内存消耗诊断的工具如JMAP、JCONSOLE等，第三方IBM JVM Profile Tools等；

2，在开发、测试、生产环境下用的最多的是日志？Driver产生的日志！！！最简单也是最有效就是调用RDD.cache，当进行cache操作的时候Driver上的BlockManagerMaster会记录该信息并写进日志中！！！

三：persist和checkpoint

1，当反复使用某个（些）RDD的时候强烈建议使用persist来对数据进行缓存（MEMORY_AND_DISK）；

2，如果某个RDD就算特别耗时或者经历了很多步骤的计算，如果数据丢失则重新计算的代价特别大，此时考虑使用checkpoint，因为checkpoint是把数据写入HDFS，天然具有高可靠性；

1.作业：使用cache诊断内存消耗。

程序如下：

scala> val lines = sc.parallelize(Array(1,2,3,4,5,6,7,8,9))

lines: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at :21

scala> lines.cache

res0: lines.type = ParallelCollectionRDD[0] at parallelize at :21

scala> lines.count

res1: Long = 9