Spark优化最全解析

Spark 优化

资源调优

在部署spark集群中指定资源分配的默认参数

在spark安装包的conf下spark-env.sh文件

SPARK_WORKER_CORES
SPARK_WORKER_MEMORY
SPARK_WORKER_INSTANCES #每台机器启动worker数

在提交Application的时候给当前的Application分配更多的资源

提交命令选项：（在提交Application的时候使用选项）

--executor-cores
--executor-memory
--total-executor-cores

配置信息：（Application的代码中设置或在Spark-default.conf中设置）

spark.executor.cores
spark.executor.memory
spark.max.cores

动态分配资源

spark.shuffle.service.enabled true //启用External shuffle Service服务
spark.shuffle.service.port 7337 //Shuffle Service服务端口，必须和yarn-site中的一致
spark.dynamicAllocation.enabled true //开启动态资源分配
spark.dynamicAllocation.minExecutors 1 //每个Application最小分配的executor数
spark.dynamicAllocation.maxExecutors 30 //每个Application最大并发分配的executor数
spark.dynamicAllocation.schedulerBacklogTimeout 1s
spark.dynamicAllocation.sustainedSchedulerBacklogTimeout 5s

并行度调优

并行度的合理调整，可以降低资源浪费提高spark任务的运行效率。
task的数量应该设置为sparkCPU cores的2-3倍。

1. 如果读取的数据在HDFS中，降低block大小，相当于提高了RDD中partition个数sc.textFile(xx,numPartitions)
2. sc.parallelize(xxx, numPartitions)
3. sc.makeRDD(xxx, numPartitions)
4. sc.parallelizePairs(xxx, numPartitions)
5. repartitions/coalesce
6. redecByKey/groupByKey/join —(xxx, numPartitions)
7. spark.default.parallelism 500
8. spark.sql.shuffle.partitions—200
9. 自定义分区器
10. 如果读取数据是在SparkStreaming中
    Receiver: spark.streaming.blockInterval—200ms定义的是max
    Direct:读取的topic的分区数

代码调优

避免创建重复的RDD

val rdd1 = sc.textFile(path1)
val rdd2 = sc.textFile(path1)

这就是创建了重复的RDD
有什么问题？ 对于执行性能来说没有问题，但是呢，代码乱。

对多次使用的RDD进行持久化

如何选择一种最合适的持久化策略?

默认情况下，性能最高的当然是MEMORY_ONLY，但前提是你的内存必须足够足够大，可以绰绰有余地
存放下整个RDD的所有数据。因为不进行序列化与反序列化操作，就避免了这部分的性能开销；对这个
RDD的后续算子操作，都是基于纯内存中的数据的操作，不需要从磁盘文件中读取数据，性能也很高；
而且不需要复制一份数据副本，并远程传送到其他节点上。但是这里必须要注意的是，在实际的生产环
境中，恐怕能够直接用这种策略的场景还是有限的，如果RDD中数据比较多时（比如几十亿），直接用
这种持久化级别，会导致JVM的OOM内存溢出异常。
如果使用MEMORY_ONLY级别时发生了内存溢出，那么建议尝试使用MEMORY_ONLY_SER级别。该级
别会将RDD数据序列化后再保存在内存中，此时每个partition仅仅是一个字节数组而已，大大减少了对
象数量，并降低了内存占用。这种级别比MEMORY_ONLY多出来的性能开销，主要就是序列化与反序列
化的开销。但是后续算子可以基于纯内存进行操作，因此性能总体还是比较高的。此外，可能发生的问
题同上，如果RDD中的数据量过多的话，还是可能会导致OOM内存溢出的异常。
如果纯内存的级别都无法使用，那么建议使用MEMORY_AND_DISK_SER策略，而不是
MEMORY_AND_DISK策略。因为既然到了这一步，就说明RDD的数据量很大，内存无法完全放下。序列
化后的数据比较少，可以节省内存和磁盘的空间开销。同时该策略会优先尽量尝试将数据缓存在内存
中，内存缓存不下才会写入磁盘。
通常不建议使用DISK_ONLY和后缀为2的级别：因为完全基于磁盘文件进行数据的读写，会导致性能急
剧降低，有时还不如重新计算一次所有RDD。后缀为2的级别，必须将所有数据都复制一份副本，并发送
到其他节点上，数据复制以及网络传输会导致较大的性能开销，除非是要求作业的高可用性，否则不建
议使用。

持久化算子

• cache:
  MEMORY_ONLY
• persist：
  MEMORY_ONLY
  MEMORY_ONLY_SER
  MEMORY_AND_DISK_SER
• checkpoint:
  • 如果一个RDD的计算时间比较长或者计算起来比较复杂，一般将这个RDD的计算结果保存到HDFS
    上，这样数据会更加安全。
  • 如果一个RDD的依赖关系非常长，也会使用checkpoint,会切断依赖关系，提高容错的效率

尽量避免使用shuffle类的算子

使用广播变量来模拟使用join,使用情况：一个RDD比较大，一个RDD比较小。
join算子=广播变量+filter、广播变量+map、广播变量+flatMap

使用map-side预聚合的shuffle操作

即尽量使用有combiner的shuffle类算子。
combiner概念：
在map端，每一个map task计算完毕后进行的局部聚合。
combiner好处：
1) 降低shuffle write写磁盘的数据量。
2) 降低shuffle read拉取数据量的大小。
3) 降低reduce端聚合的次数。

有combiner的shuffle类算子：
1) reduceByKey:这个算子在map端是有combiner的，在一些场景中可以使用reduceByKey代替
groupByKey。
2) aggregateByKey
3) combinerByKey

尽量使用高性能的算子

使用reduceByKey替代groupByKey
使用mapPartition替代map
使用foreachPartition替代foreach
filter后使用coalesce减少分区数
使用repartitionAndSortWithinPartitions替代repartition与sort类操作

使用repartition和coalesce算子操作分区。

使用广播变量

开发过程中，会遇到需要在算子函数中使用外部变量的场景（尤其是大变量，比如100M以上的大集
合），那么此时就应该使用Spark的广播(Broadcast）功能来提升性能，函数中使用到外部变量时，默
认情况下，Spark会将该变量复制多个副本，通过网络传输到task中，此时每个task都有一个变量副本。
如果变量本身比较大的话（比如100M，甚至1G），那么大量的变量副本在网络中传输的性能开销，以
及在各个节点的Executor中占用过多内存导致的频繁GC，都会极大地影响性能。如果使用的外部变量比
较大，建议使用Spark的广播功能，对该变量进行广播。广播后的变量，会保证每个Executor的内存
中，只驻留一份变量副本，而Executor中的task执行时共享该Executor中的那份变量副本。这样的话，
可以大大减少变量副本的数量，从而减少网络传输的性能开销，并减少对Executor内存的占用开销，降
低GC的频率。
广播大变量发送方式：Executor一开始并没有广播变量，而是task运行需要用到广播变量，会找
executor的blockManager要，bloackManager找Driver里面的blockManagerMaster要。
使用广播变量可以大大降低集群中变量的副本数。不使用广播变量，变量的副本数和task数一致。使用
广播变量变量的副本和Executor数一致。

使用Kryo优化序列化性能

在Spark中，主要有三个地方涉及到了序列化：
1) 在算子函数中使用到外部变量时，该变量会被序列化后进行网络传输。
2) 将自定义的类型作为RDD的泛型类型时（比如JavaRDD，SXT是自定义类型），所有自定义类型对
象，都会进行序列化。因此这种情况下，也要求自定义的类必须实现Serializable接口。
3) 使用可序列化的持久化策略时（比如MEMORY_ONLY_SER），Spark会将RDD中的每个partition都序
列化成一个大的字节数组。

Kryo序列化器介绍：

​ Spark支持使用Kryo序列化机制。Kryo序列化机制，比默认的Java序列化机制，速度要快，序列化后的
​ 数据要更小，大概是Java序列化机制的1/10。所以Kryo序列化优化以后，可以让网络传输的数据变少；
​ 在集群中耗费的内存资源大大减少。

优化数据结构

java中有三种类型比较消耗内存：
1) 对象，每个Java对象都有对象头、引用等额外的信息，因此比较占用内存空间。
2) 字符串，每个字符串内部都有一个字符数组以及长度等额外信息。
3) 集合类型，比如HashMap、LinkedList等，因为集合类型内部通常会使用一些内部类来封装集合元
素，比如Map.Entry。
因此Spark官方建议，在Spark编码实现中，特别是对于算子函数中的代码，尽量不要使用上述三种数据
结构，尽量使用字符串替代对象，使用原始类型（比如Int、Long）替代字符串，使用数组替代集合类
型，这样尽可能地减少内存占用，从而降低GC频率，提升性能。

使用高性能的库fastutil

fastutil是扩展了Java标准集合框架（Map、List、Set；HashMap、ArrayList、HashSet）的类库，提
供了特殊类型的map、set、list和queue；fastutil能够提供更小的内存占用，更快的存取速度

数据本地化

数据本地化的级别

PROCESS_LOCAL

task要计算的数据在本进程（Executor）的内存中。

NODE_LOCAL

① task所计算的数据在本节点所在的磁盘上。
② task所计算的数据在本节点其他Executor进程的内存中。

NO_PREF

task所计算的数据在关系型数据库中，如mysql。

RACK_LOCAL

ask所计算的数据在同机架的不同节点的磁盘或者Executor进程的内存中

ANY

跨机架。

Spark数据本地化调优

Spark中任务调度时，TaskScheduler在分发之前需要依据数据的位置来分发，最好将task分发到数据所
在的节点上，如果TaskScheduler分发的task在默认3s依然无法执行的话，TaskScheduler会重新发送这
个task到相同的Executor中去执行，会重试5次，如果依然无法执行，那么TaskScheduler会降低一级数
据本地化的级别再次发送task。
如上图中，会先尝试1,PROCESS_LOCAL数据本地化级别，如果重试5次每次等待3s,会默认这个Executor
计算资源满了，那么会降低一级数据本地化级别到2，NODE_LOCAL,如果还是重试5次每次等待3s还是
失败，那么还是会降低一级数据本地化级别到3，RACK_LOCAL。这样数据就会有网络传输，降低了执行
效率。

如何提高数据本地化的级别？

可以增加每次发送task的等待时间（默认都是3s），将3s倍数调大， 结合WEBUI来调节：

​ • spark.locality.wait
​ • spark.locality.wait.process
​ • spark.locality.wait.node
​ • spark.locality.wait.rack

注意：等待时间不能调大很大，调整数据本地化的级别不要本末倒置，虽然每一个task的本地化级别是
最高了，但整个Application的执行时间反而加长。

如何查看数据本地化的级别？

通过日志或者WEBUI

内存调优

JVM堆内存分为一块较大的Eden和两块较小的Survivor，每次只使用Eden和其中一块Survivor，当回收
时将Eden和Survivor中还存活着的对象一次性复制到另外一块Survivor上，最后清理掉Eden和刚才用过
的Survivor。也就是说当task创建出来对象会首先往Eden和survivor1中存放，survivor2是空闲的，当
Eden和survivor1区域放满以后就会触发minor gc小型垃圾回收，清理掉不再使用的对象。会将存活下
来的对象放入survivor2中。
如果存活下来的对象大小大于survivor2的大小，那么JVM就会将多余的对象直接放入到老年代中。
如果这个时候年轻代的内存不是很大的话，就会经常的进行minor gc，频繁的minor gc会导致短时间内
有些存活的对象（多次垃圾回收都没有回收掉，一直在用的又不能被释放,这种对象每经过一次minor gc
都存活下来）频繁的倒来倒去，会导致这些短生命周期的对象（不一定长期使用）每进行一次垃圾回收
就会长一岁。年龄过大，默认15岁，垃圾回收还是没有回收回去就会跑到老年代里面去了。
这样会导致在老年代中存放大量的短生命周期的对象，老年代应该存放的是数量比较少并且会长期使用
的对象，比如数据库连接池对象。这样的话，老年代就会满溢（full gc 因为本来老年代中的对象很少，
很少进行full gc 因此采取了不太复杂但是消耗性能和时间的垃圾回收算法）。不管minor gc 还是 full gc
都会导致JVM的工作线程停止。

总结堆内存不足造成的影响

频繁的minor gc

老年代中大量的短声明周期的对象会导致full gc

gc 多了就会影响Spark的性能和运行的速度

Spark JVM调优主要是降低gc时间，可以修改Executor内存的比例参数。
RDD缓存、task定义运行的算子函数，可能会创建很多对象，这样会占用大量的堆内存。堆内存满了之
后会频繁的GC，如果GC还不能够满足内存的需要的话就会报OOM。比如一个task在运行的时候会创建
N个对象，这些对象首先要放入到JVM年轻代中。比如在存数据的时候我们使用了foreach来将数据写入
到内存，每条数据都会封装到一个对象中存入数据库中，那么有多少条数据就会在JVM中创建多少个对
象。

Spark中如何内存调优？

Spark Executor堆内存中存放（以静态内存管理为例）：RDD的缓存数据和广播变量
（spark.storage.memoryFraction 0.6），shuffle聚合内存（spark.shuffle.memoryFraction
0.2）,task的运行（0.2）那么如何调优呢？
1) 提高Executor总体内存的大小
2) 降低储存内存比例或者降低聚合内存比例
如何查看gc？
Spark WEBUI中job->stage->task

调节Executor的堆外内存

Spark Shuffle调优

1. buffer大小——32KB
2. shuffle read拉取数据量的大小——48M
3. shuffle聚合内存的比例——20%
4. 拉取数据重试次数——5次
5. 重试间隔时间60s
6. Spark Shuffle的种类
7. SortShuffle bypass机制 200次调大

解决数据倾斜

使用Hive ETL预处理数据

方案适用场景：
如果导致数据倾斜的是Hive表。如果该Hive表中的数据本身很不均匀（比如某个key对应了100万数据，
其他key才对应了10条数据），而且业务场景需要频繁使用Spark对Hive表执行某个分析操作，那么比较
适合使用这种技术方案。
方案实现思路：
此时可以评估一下，是否可以通过Hive来进行数据预处理（即通过Hive ETL预先对数据按照key进行聚
合，或者是预先和其他表进行join），然后在Spark作业中针对的数据源就不是原来的Hive表了，而是预
处理后的Hive表。此时由于数据已经预先进行过聚合或join操作了，那么在Spark作业中也就不需要使用
原先的shuffle类算子执行这类操作了。
方案实现原理：
这种方案从根源上解决了数据倾斜，因为彻底避免了在Spark中执行shuffle类算子，那么肯定就不会有
数据倾斜的问题了。但是这里也要提醒一下大家，这种方式属于治标不治本。因为毕竟数据本身就存在
分布不均匀的问题，所以Hive ETL中进行group by或者join等shuffle操作时，还是会出现数据倾斜，导
致Hive ETL的速度很慢。我们只是把数据倾斜的发生提前到了Hive ETL中，避免Spark程序发生数据倾斜
而已。

过滤少数导致倾斜的key

方案适用场景：
如果发现导致倾斜的key就少数几个，而且对计算本身的影响并不大的话，那么很适合使用这种方案。比
如99%的key就对应10条数据，但是只有一个key对应了100万数据，从而导致了数据倾斜。
方案实现思路：
如果我们判断那少数几个数据量特别多的key，对作业的执行和计算结果不是特别重要的话，那么干脆就
直接过滤掉那少数几个key。比如，在Spark SQL中可以使用where子句过滤掉这些key或者在Spark
Core中对RDD执行filter算子过滤掉这些key。如果需要每次作业执行时，动态判定哪些key的数据量最
多然后再进行过滤，那么可以使用sample算子对RDD进行采样，然后计算出每个key的数量，取数据量
最多的key过滤掉即可。
方案实现原理：

​ 将导致数据倾斜的key给过滤掉之后，这些key就不会参与计算了，自然不可能产生数据倾斜。

提高shuffle操作的并行度

方案实现思路：
在对RDD执行shuffle算子时，给shuffle算子传入一个参数，比如reduceByKey(1000)，该参数就设置了
这个shuffle算子执行时shuffle read task的数量。对于Spark SQL中的shuffle类语句，比如group by、
join等，需要设置一个参数，即spark.sql.shuffle.partitions，该参数代表了shuffle read task的并行
度，该值默认是200，对于很多场景来说都有点过小。
方案实现原理：
增加shuffle read task的数量，可以让原本分配给一个task的多个key分配给多个task，从而让每个task
处理比原来更少的数据。举例来说，如果原本有5个不同的key，每个key对应10条数据，这5个key都是
分配给一个task的，那么这个task就要处理50条数据。而增加了shuffle read task以后，每个task就分
配到一个key，即每个task就处理10条数据，那么自然每个task的执行时间都会变短了。
缺点：不是万能的，没有从根本上改变数据的格式所以数据倾斜问题还是可能存在。
例如极端情况，有一个key对应数据就是100w，别的key对应1w，你再怎么增加task，相同的可以还是
会分配到一个task中去计算。
不能根本解决问题，可以缓解一波。

双重聚合

方案适用场景：
对RDD执行reduceByKey、groupByKey等聚合类shuffle算子或者在Spark SQL中使用group by语句进
行分组聚合时，比较适用这种方案。
方案实现思路：
这个方案的核心实现思路就是进行两阶段聚合。第一次是局部聚合，先给每个key都打上一个随机数，比
如10以内的随机数，此时原先一样的key就变成不一样的了，比如(hello, 1) (hello, 1) (hello, 1) (hello,
1)，就会变成(1_hello, 1) (1_hello, 1) (2_hello, 1) (2_hello, 1)。接着对打上随机数后的数据，执行
reduceByKey等聚合操作，进行局部聚合，那么局部聚合结果，就会变成了(1_hello, 2) (2_hello, 2)。然
后将各个key的前缀给去掉，就会变成(hello,2)(hello,2)，再次进行全局聚合操作，就可以得到最终结果
了，比如(hello, 4)。
方案实现原理：
将原本相同的key通过附加随机前缀的方式，变成多个不同的key，就可以让原本被一个task处理的数据
分散到多个task上去做局部聚合，进而解决单个task处理数据量过多的问题。接着去除掉随机前缀，再
次进行全局聚合，就可以得到最终的结果。

如果一个RDD中有一个key导致数据倾斜，同时还有其他的key，那么一般先对数据集进行抽样，然后找
出倾斜的key,再使用filter对原始的RDD进行分离为两个RDD，一个是由倾斜的key组成的RDD1，一个是
由其他的key组成的RDD2，那么对于RDD1可以使用加随机前缀进行多分区多task计算，对于另一个
RDD2正常聚合计算，最后将结果再合并起来。
只适用于聚合类的shuffle操作，join这类不太适合。

将reduce join转为map join

BroadCast+filter(或者map)
方案适用场景：
在对RDD使用join类操作，或者是在Spark SQL中使用join语句时，而且join操作中的一个RDD或表的数
据量比较小（比如几百M或者一两G），比较适用此方案。
方案实现思路：
不使用join算子进行连接操作，而使用Broadcast变量与map类算子实现join操作，进而完全规避掉
shuffle类的操作，彻底避免数据倾斜的发生和出现。将较小RDD中的数据直接通过collect算子拉取到
Driver端的内存中来，然后对其创建一个Broadcast变量；接着对另外一个RDD执行map类算子，在算
子函数内，从Broadcast变量中获取较小RDD的全量数据，与当前RDD的每一条数据按照连接key进行比
对，如果连接key相同的话，那么就将两个RDD的数据用你需要的方式连接起来。
方案实现原理：
普通的join是会走shuffle过程的，而一旦shuffle，就相当于会将相同key的数据拉取到一个shuffle read
task中再进行join，此时就是reduce join。但是如果一个RDD是比较小的，则可以采用广播小RDD全量
数据+map算子来实现与join同样的效果，也就是map join，此时就不会发生shuffle操作，也就不会发
生数据倾斜。

采样倾斜key并分拆join操作

方案适用场景：
两个RDD/Hive表进行join的时候，如果数据量都比较大，无法采用“解决方案五”，那么此时可以看一下
两个RDD/Hive表中的key分布情况。如果出现数据倾斜，是因为其中某一个RDD/Hive表中的少数几个
key的数据量过大，而另一个RDD/Hive表中的所有key都分布比较均匀，那么采用这个解决方案是比较
合适的。
方案实现思路:

​ 对包含少数几个数据量过大的key的那个RDD，通过sample算子采样出一份样本来，然后统计一下每个
​ key的数量，计算出来数据量最大的是哪几个key。然后将这几个key对应的数据从原来的RDD中拆分出
​ 来，形成一个单独的RDD，并给每个key都打上n以内的随机数作为前缀，而不会导致倾斜的大部分key
​ 形成另外一个RDD。接着将需要join的另一个RDD，也过滤出来那几个倾斜key对应的数据并形成一个单
​ 独的RDD，将每条数据膨胀成n条数据，这n条数据都按顺序附加一个0~n的前缀，不会导致倾斜的大部
​ 分key也形成另外一个RDD。再将附加了随机前缀的独立RDD与另一个膨胀n倍的独立RDD进行join，此
​ 时就可以将原先相同的key打散成n份，分散到多个task中去进行join了。而另外两个普通的RDD就照常
​ join即可。最后将两次join的结果使用union算子合并起来即可，就是最终的join结果 。

使用随机前缀和扩容RDD进行join

方案适用场景：
如果在进行join操作时，RDD中有大量的key导致数据倾斜，那么进行分拆key也没什么意义，此时就只
能使用最后一种方案来解决问题了。
方案实现思路：
该方案的实现思路基本和“解决方案六”类似，首先查看RDD/Hive表中的数据分布情况，找到那个造成数
据倾斜的RDD/Hive表，比如有多个key都对应了超过1万条数据。然后将该RDD的每条数据都打上一个n
以内的随机前缀。同时对另外一个正常的RDD进行扩容，将每条数据都扩容成n条数据，扩容出来的每
条数据都依次打上一个0~n的前缀。最后将两个处理后的RDD进行join即可。

rdd中数据倾斜，sample抽样取出样本(key)，统计key对应的数量，以及最大的数据量的key。
把这些key从rdd中抽取出去，形成单独的rdd，给key打上随机数作为前缀，另一部分没有抽出去的数据
在形成另外一个rdd。
另一个rdd（join），也将上次抽取出来的key过滤出一个单独的rdd，但是需要做扩容（数据量的膨
胀）。在这些数据上追加上随机数，和之前的rdd加随机数的规则一致，没有抽离的数据也还是形成一
个新的rdd。
两两join，有随机数的记得去掉前缀，然后最终结果union得出。

Spark故障解决（troubleshooting）

shuffle file cannot find：磁盘小文件找不到。

connection timeout ----shuffle file cannot find

提高建立连接的超时时间，或者降低gc，降低gc了那么spark不能堆外提供服务的时间就少了，那么超
时的可能就会降低。

fetch data fail ---- shuffle file cannot find

提高拉取数据的重试次数以及间隔时间。

OOM/executor lost ---- shuffle file cannot find

提高堆外内存大小，提高堆内内存大小。

reduce OOM

BlockManager拉取的数据量大，reduce task处理的数据量小
解决方法：
1) 降低每次拉取的数据量
2) 提高shuffle聚合的内存比例
3) 提高Executor的内存比例

序列化问题

Null值问题

val rdd = rdd.map{x=>{ x+”~”; -1}}filter(-1).coalescerdd.foreach{x=>{
System.out.println(x.getName())}}

c，降低gc了那么spark不能堆外提供服务的时间就少了，那么超
时的可能就会降低。

fetch data fail ---- shuffle file cannot find

提高拉取数据的重试次数以及间隔时间。

OOM/executor lost ---- shuffle file cannot find

提高堆外内存大小，提高堆内内存大小。

reduce OOM

BlockManager拉取的数据量大，reduce task处理的数据量小
解决方法：
1) 降低每次拉取的数据量
2) 提高shuffle聚合的内存比例
3) 提高Executor的内存比例

序列化问题

Null值问题

val rdd = rdd.map{x=>{ x+”~”; -1}}filter(-1).coalescerdd.foreach{x=>{
System.out.println(x.getName())}}