提交的种类有很多种,spark sql 、submit等等,不过都是分配资源方面的,可以再去了解一下
提交这个任务的话默认并行度是200,就是说reduce会产生200个文件,这会产生大量的小文件问题,–设置spark并行度为1,解决小文件过多问题
set spark.sql.shuffle.partitions=1,但是大多数情况下如果数据量过大的话,还要提高并行度的,所以这里是个奇葩。
当初遇到这个问题是
select part_dt,count(*)
from dmb_data_nyd.dmb_rsk_bfq_aft_loan_info
group by part_dt
order by part_dt desc`
在这个表上执行很慢,表的大小只有2G,按天分区,隔壁的20G一分钟也就跑完了,调优了半天觉得是小文件的问题,但是只是单纯调整map,reduce个数,并行度,JVM重用等,效果不大,后来才发现这个表示spark执行的,每个分区下面默认又生成了 200分文件,但是这个表每天的数据量只有1M,这下小文件的名头坐实了,同时以后注意,调优的时候首先可以找同类型的表来进行测试看sql语句是否有问题,如果没有问题执行又特别慢的话直接去表的源头查看表的情况,包括大小和分区数目,然后再针对性的进行调整,不要上来就进行调整,效率很低,除此以外,如果是小文件的问题的话,要注意多种手段同时使用,不是调整一下输入端CombineFileInputFormat就可以的。