Spark的基础介绍和操作调优

本篇内容介绍了“Spark的基础介绍和操作调优”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

Spark 基础介绍

在讨论spark调优之前，先看看spark里的一些概念。

action

Action是得到非RDD结果的RDD操作。如Spark中有如下常见action操作： reduce, collect, count, first, take, takeSample, countByKey, saveAsTextFile

job

每个spark的action会被分解成一个job。

stage

一个job会被分成多组task，每组task称为一个stage。stage的划分界限为以下两种task之一：

• shuffleMapTask - 所有的wide transformation之前，可以简单认为是shuffle之前

• resultTask - 可以简单认为是take()之类的操作

partition

RDD 包含固定数目的 partition， 每个 partiton 包含若干的 record。

narrow tansformation （比如 map 和 filter）返回的 RDD，一个 partition 中的 record 只需要从父 RDD 对应的 partition 中的 record 计算得到。同样narrow transformation不会改变partition的个数。

task

被送到executor上执行的工作单元； 一个task只能做一个stage中的一个partition的数据。

操作调优

• 调整在 stage 边届时的 partition 个数经常可以很大程度上影响程序的执行效率;

• associative reductive operation， 能使用reduceByKey时不使用groupByKey，因为grouByKey会把所有数据shuffle一遍，而reduceByKey只会Shuffle reduce的结果。

• 输入和输出结果不一样时，不使用reduceByKey,而使用aggregateByKey;

aggregateByKey: Aggregate the values of each key, using given combine functions and a neutral "zero value". This function can return a different result type, U, than the type of the values in this RDD, V. Thus, we need one operation for merging a V into a U and one operation for merging two U's, as in scala.TraversableOnce. The former operation is used for merging values within a partition, and the latter is used for merging values between partitions. To avoid memory allocation, both of these functions are allowed to modify and return their first argument instead of creating a new U.

• 不要用flatMap-join-groupBy的模式，可以用cogroup;

• 当两个reduceByKey的结果join时，如果大家的partition都一样，则spark不会在join时做shuffle;

• 当一个内存能放得下的数据集join时，可以考虑broadcast而不使用join；

scala> val broadcastVar = sc.broadcast(Array(1, 2, 3))
broadcastVar: org.apache.spark.broadcast.Broadcast[Array[Int]] = Broadcast(0)

scala> broadcastVar.value
res0: Array[Int] = Array(1, 2, 3)

资源调优

spark中的资源可以简单归结为CPU和内存，而以下的参数会影响内存和CPU的使用。

• executor 越大并行性越好，越大每个executor所有的内存就越小；

• core，越大并行性越好;

HDFS client 在大量并发线程是时性能问题。大概的估计是每个 executor 中最多5个并行的 task 就可以占满的写入带宽。

• partition,如果比excutor*core小则很傻；越多每个partition占用的内存就越少；足够大以后对性能提升不再有用。

我naive的认为应该这样调整：

1. core = min(5,cpu核数)；

2. executor = instance数 * cpu核数 / core

3. 平均每instance的executor个数决定executor.memory,从而决定shuffle.memory和storage.memory;

4. 估计总数据量，即最大的shuffle时的数据大小（spark driver运行记录中会有shuffle size）;

5. 用4的结果除以3得到partition数，如果很小，把partition设成和(executor*core)的若干倍.