1. 代码优化部分
-
多个Action计算最好基于同一个RDD进行计算操作, 并且对相同的RDD进行Cache操作,避免重复计算,增加任务的执行时间;并且持久化级别最好使用MEMORY_ONLY_SER来减少内存使用;
-
在使用join的地方看是否可以使用map算子和广播变量的方式替代;
-
使用高效的算子, 例如:
使用reduceByKey/aggregateByKey来代替groupByKey, 因为前者可以进行combiner操作,减少网络IO;
使用MapPartition来代替Map操作, 尤其是在需要网络连接的地方;
使用foreachPartition代替foreach操作,可以对数据进行批量处理;
在filter操作后,可以使用colease操作,可以减少任务数; -
序列化尽量使用Kyro方式, 其性能更好;
-
减少对复杂数据结构的使用,可以有效减少序列化时间;
-
对应简单的函数,最好使用闭合结构,可以有效减少网络IO;
-
使用Repartition操作可以有效增加任务的处理并行度;
2. 参数调整优化部分
经过实践验证,调整后有效的参数如下:
- 根据资源情况,可以添加Executor的个数来有效,参数为spark.executor.instances
- 调整每个Executor的使用内核数, 参数为 spark.executor.cores
- 调整每个Executor的内存, 参数为 spark.executor.memory
- shuffle write task的buffer大小, 参数为spark.shuffle.file.buffer
- shuffle read task的buffer大小, 参数为spark.reducer.maxSizeInFlight
- 每一个stage的task的默认并行度, 默认为200, 建议修改为1000左右, 参数 spark.default.parallelism
- 用于RDD的持久化使用的内存比例,区分Spark版本,参考:https://blog.csdn.net/super_wj0820/article/details/100543534
- 用户shuffle使用的内存比例, 区分Spark版本,参考:https://blog.csdn.net/super_wj0820/article/details/100543534
3. 其它优化
-
增加数据读取的并行度,比如读取Kafka的数据, 可以增加topic的partition数量和executor的个数;
-
限制读取Kafka数据的速率,参数 ** spark.streaming.kafka.maxRatePerPartition **
对于存在数据倾斜问题,有两类情况: -
进行join操作,产生skew问题, 可以使用map+广播变量类进行处理;
对redece/aggregate等聚合操作,参数skew问题, 可以进行两次聚合的思想来解决, 核心是先进行key进行随机数操作,是数据分布均匀,并进行聚合,最后是剔除随机数据,用实际数据来进行聚合操作。
参考:
- https://www.cnblogs.com/gaopeng527/p/4961701.html
- https://www.cnblogs.com/wq920/p/7099129.html
- https://www.jianshu.com/p/7ed12f883d42