CC00038.spark——|Hadoop&Spark.V12|——|Spark.v12|sparkcore|RDD编程高阶&spark原理初探|-CSDN博客

一、RDD编程优化

### --- RDD复用

~~~     避免创建重复的RDD。在开发过程中要注意：
~~~     对于同一份数据，只应该创建一个RDD，不要创建多个RDD来代表同一份数据。

### --- RDD缓存/持久化

~~~     当多次对同一个RDD执行算子操作时，每一次都会对这个RDD以之前的父RDD重新计算一次，
~~~     这种情况是必须要避免的，对同一个RDD的重复计算是对资源的极大浪费
~~~     对多次使用的RDD进行持久化，通过持久化将公共RDD的数据缓存到内存/磁盘中，
~~~     之后对于公共RDD的计算都会从内存/磁盘中直接获取RDD数据RDD的持久化是可以进行序列化的，
~~~     当内存无法将RDD的数据完整的进行存放的时候，
~~~     可以考虑使用序列化的方式减小数据体积，将数据完整存储在内存中

### --- 巧用 filter

~~~     尽可能早的执行filter操作，过滤无用数据
~~~     在filter过滤掉较多数据后，使用 coalesce 对数据进行重分区

### --- 使用高性能算子

~~~     避免使用groupByKey，根据场景选择使用高性能的聚合算子 reduceByKey、aggregateByKey
~~~     coalesce、repartition，在可能的情况下优先选择没有shuffle的操作
~~~     foreachPartition 优化输出操作
~~~     map、mapPartitions，选择合理的选择算子mapPartitions性能更好，但数据量大时容易导致OOM
~~~     用 repartitionAndSortWithinPartitions 替代 repartition + sort 操作
~~~     合理使用 cache、persist、checkpoint，选择合理的数据存储级别
~~~     filter的使用
~~~     减少对数据源的扫描(算法复杂了)

### --- 设置合理的并行度

~~~     Spark作业中的并行度指各个stage的task的数量
~~~     设置合理的并行度，让并行度与资源相匹配。
~~~     简单来说就是在资源允许的前提下，并行度要设置的尽可能大，达到可以充分利用集群资源。
~~~     合理的设置并行度，可以提升整个Spark作业的性能和运行速度

### --- 广播大变量

~~~     默认情况下，task中的算子中如果使用了外部变量，
~~~     每个task都会获取一份变量的复本，这会造多余的网络传输和内存消耗
~~~     使用广播变量，只会在每个Executor保存一个副本，Executor的所有task共用此广播变量，
~~~     这样就节约了网络及内存资源