Spark 优化技巧-并行度设置

1. shuffle并行度：

例如，如下图所示，作业中可能不止一个Job，shuffle数据只有几十mb，但是并行度设置了2000：

但是设置2000可能只是为了让作业中的一个Job的瓶颈更小：

这种可能是一种使用上的常态，其实不太合理：
如果这种情况下，怎么使用更加合理呢：
rdd程序其实控制能力极强的，常见的瓶颈算子都可以直接单独设置并行度的
例如上述图中的算子可以由 rdd.reduceByKey(keyName) 改为 rdd.reduceByKey(keyName，3000)

2.读取数据的并行度：

什么时候需要调整呢？有一种典型的情况，就是从hadoop输入的数据在后续的stage计算可能出现了内存瓶颈（gc时间比较长）等

• DataSource读法，特指使用SparkSession.read这种，默认128：
  spark.files.maxPartitionBytes=268435456

• 使用rdd直接读的，例如HDFSIO.thriftSequence、直接使用rdd hadoop api等，默认256（注意这个没有合并小文件功能）：
  spark.hadoop.mapred.max.split.size=268435456