spark性能调优

第一：提升并行度

并行度就是Spark做业中，各个stage的task数量，也就表明了Spark做业的在各个阶段（stage）的并行度。

若是不调节并行度，致使并行度太低，会怎么样？

假设，如今已经在spark-submit脚本里面，给咱们的spark做业分配了足够多的资源，好比50个executor，每一个executor有10G内存，每一个executor有3个cpu core。基本已经达到了集群或者yarn队列的资源上限。

task没有设置，或者设置的不多，好比就设置了，100个task。50个executor，每一个executor有3个cpu core，也就是说，你的Application任何一个stage运行的时候，都有总数在150个cpu core，能够并行运行。可是你如今，只有100个task，平均分配一下，每一个executor分配到2个task，ok，那么同时在运行的task，只有100个，每一个executor只会并行运行2个task。每一个executor剩下的一个cpu core，就浪费掉了。

合理的并行度的设置，应该是要设置的足够大，大到能够彻底合理的利用你的集群资源；好比上面的例子，总共集群有150个cpu core，能够并行运行150个task。那么就应该将你的Application的并行度，至少设置成150，才能彻底有效的利用你的集群资源，让150个task，并行执行；并且task增长到150个之后，便可以同时并行运行，还可让每一个task要处理的数据量变少；好比总共150G的数据要处理，若是是100个task，每一个task计算1.5G的数据；如今增长到150个task，能够并行运行，并且每一个task主要处理1G的数据就能够。

一、task数量，至少设置成与Spark application的总cpu core数量相同（最理想状况，好比总共150个cpu core，分配了150个task，一块儿运行，差很少同一时间运行完毕）。

二、官方是推荐，task数量，设置成spark application总cpu core数量的2~3倍，好比150个cpu core，基本要设置task数量为300~500。

由于实际状况，与理想状况不一样的，有些task会运行的快一点，好比50s就完了，有些task，可能会慢一点，要1分半才运行完，因此若是你的task数量，恰好设置的跟cpu core数量相同，可能仍是会致使资源的浪费，由于，好比150个task，10个先运行完了，剩余140个还在运行，可是这个时候，有10个cpu core就空闲出来了，就致使了浪费。那若是task数量设置成cpu core总数的2~3倍，那么一个task运行完了之后，另外一个task立刻能够补上来，就尽可能让cpu core不要空闲，同时也是尽可能提高spark做业运行的效率和速度，提高性能。

三、如何设置一个Spark Application的并行度？

spark.default.parallelism

SparkConf conf = new SparkConf()

conf.set("spark.default.parallelism", "500")

 

第二，资源分配优化

Spark的分配资源主要就是 executor、cpu per executor、memory per executor、driver memory 等的调节，在咱们在生产环境中，提交spark做业时，用的spark-submit shell脚本，里面调整对应的参数：

/usr/local/spark/bin/spark-submit \

--class cn.spark.sparktest.core.WordCountCluster \

--num-executors 3 \ 配置executor的数量

--driver-memory 100m \ 配置driver的内存（影响不大）

--executor-memory 100m \ 配置每一个executor的内存大小

--executor-cores 3 \ 配置每一个executor的cpu core数量

/usr/local/SparkTest-0.0.1-SNAPSHOT-jar-with-dependencies.jar \

首先要了解你的机子的资源，多大的内存，多少个cpu core，就根据这个实际状况去设置，能使用多少资源，就尽可能去调节到最大的大小（executor的数量，几十个到上百个不等；executor内存；executor cpu core）。

Spark Standalone 模式下，若是每台机器可用内存是4G，2个cpu core，20台机器，那能够设置：

20个executor；每一个executor4G内存2个cpu core。

yarn 模式下，根据spark要提交的资源队列资源来考虑，若是所在队列资源为500G内存，100个cpu core，那能够设置：

50个executor；每一个executor10G内存2个cpu core。

 

调节资源后，SparkContext，DAGScheduler，TaskScheduler，会将咱们的算子，切割成大量的task，提交到Application的executor上面去执行。

增长每一个executor的cpu core，也是增长了执行的并行能力。本来20个executor，每一个才2个cpu core。可以并行执行的task数量，就是40个task。

如今每一个executor的cpu core，增长到了5个。可以并行执行的task数量，就是100个task。执行的速度，提高了2.5倍。

若是executor数量比较少，那么，可以并行执行的task数量就比较少，就意味着，咱们的Application的并行执行的能力就很弱。

好比有3个executor，每一个executor有2个cpu core，那么同时可以并行执行的task，就是6个。6个执行完之后，再换下一批6个task。

增长了executor数量之后，那么，就意味着，可以并行执行的task数量，也就变多了。好比原先是6个，如今可能能够并行执行10个，甚至20个，100个。那么并行能力就比以前提高了数倍，数十倍。相应的，性能（执行的速度），也能提高数倍~数十倍。

增长每一个executor的内存量。增长了内存量之后，对性能的提高，有两点：

一、若是须要对RDD进行cache，那么更多的内存，就能够缓存更多的数据，将更少的数据写入磁盘，甚至不写入磁盘。减小了磁盘IO。

二、对于shuffle操做，reduce端，会须要内存来存放拉取的数据并进行聚合。若是内存不够，也会写入磁盘。若是给executor分配更多内存之后，就有更少的数据，须要写入磁盘，甚至不须要写入磁盘。减小了磁盘IO，提高了性能。

三、对于task的执行，可能会建立不少对象。若是内存比较小，可能会频繁致使JVM堆内存满了，而后频繁GC，垃圾回收，minor GC和full GC。（速度很慢）。内存加大之后，带来更少的GC，垃圾回收，避免了速度变慢，速度变快了。

 

第三，RDD持久化或缓存

当第一次对RDD2执行算子，获取RDD3的时候，就会从RDD1开始计算，就是读取HDFS文件，而后对RDD1执行算子，获取到RDD2，而后再计算，获得RDD3

默认状况下，屡次对一个RDD执行算子，去获取不一样的RDD；都会对这个RDD以及以前的父RDD，所有从新计算一次；读取HDFS->RDD1->RDD2-RDD4
这种状况，是绝对绝对，必定要避免的，一旦出现一个RDD重复计算的状况，就会致使性能急剧下降。

好比，HDFS->RDD1-RDD2的时间是15分钟，那么此时就要走两遍，变成30分钟

 另一种状况，从一个RDD到几个不一样的RDD，算子和计算逻辑实际上是彻底同样的，结果由于人为的疏忽，计算了屡次，获取到了多个RDD。

因此，建议采用如下方法能够优化：

 

第一，RDD架构重构与优化
尽可能去复用RDD，差很少的RDD，能够抽取称为一个共同的RDD，供后面的RDD计算时，反复使用。

 

第二，公共RDD必定要实现持久化

持久化，也就是说，将RDD的数据缓存到内存中/磁盘中，（BlockManager），之后不管对这个RDD作多少次计算，那么都是直接取这个RDD的持久化的数据，好比从内存中或者磁盘中，直接提取一份数据。

 

第三，持久化，是能够进行序列化的

若是正常将数据持久化在内存中，那么可能会致使内存的占用过大，这样的话，也许，会致使OOM内存溢出。

当纯内存没法支撑公共RDD数据彻底存放的时候，就优先考虑，使用序列化的方式在纯内存中存储。将RDD的每一个partition的数据，序列化成一个大的字节数组，就一个对象；序列化后，大大减小内存的空间占用。

序列化的方式，惟一的缺点就是，在获取数据的时候，须要反序列化。

若是序列化纯内存方式，仍是致使OOM，内存溢出；就只能考虑磁盘的方式，内存+磁盘的普通方式（无序列化）。内存+磁盘，序列化。

 

第四，为了数据的高可靠性，并且内存充足，可使用双副本机制，进行持久化

持久化的双副本机制，持久化后的一个副本，由于机器宕机了，副本丢了，就仍是得从新计算一次；持久化的每一个数据单元，存储一份副本，放在其余节点上面；从而进行容错；一个副本丢了，不用从新计算，还可使用另一份副本。这种方式，仅仅针对你的内存资源极度充足。

  

sessionid2actionRDD = sessionid2actionRDD.persist(StorageLevel.MEMORY_ONLY());

/**

* 持久化，很简单，就是对RDD调用persist()方法，并传入一个持久化级别

*

* 若是是persist(StorageLevel.MEMORY_ONLY())，纯内存，无序列化，那么就能够用cache()方法来替代

* StorageLevel.MEMORY_ONLY_SER()，第二选择

* StorageLevel.MEMORY_AND_DISK()，第三选择

* StorageLevel.MEMORY_AND_DISK_SER()，第四选择

* StorageLevel.DISK_ONLY()，第五选择

*

* 若是内存充足，要使用双副本高可靠机制

* 选择后缀带_2的策略

* StorageLevel.MEMORY_ONLY_2()

*

*/

sessionid2actionRDD = sessionid2actionRDD.persist(StorageLevel.MEMORY_ONLY());

 

第四：使用广播变量

广播变量， 其实就是SparkContext的broadcast()方法，传入你要广播的变量，便可

final Broadcast<Map<String, Map<String, IntList>>> broadcast = sc.broadcast(fastutilDateHourExtractMap);

使用广播变量的时候，直接调用广播变量（Broadcast类型）的value() / getValue() ，能够获取到以前封装的广播变量

Map<String, Map<String, IntList>> dateHourExtractMap = broadcast .value();

像随机抽取的map，1M，举例。还算小的。若是你是从哪一个表里面读取了一些维度数据，比方说，全部商品品类的信息，在某个算子函数中要使用到。100M。1000个task。100G的数据，网络传输。集群瞬间由于这个缘由消耗掉100G的内存。

这种默认的，task执行的算子中，使用了外部的变量，每一个task都会获取一份变量的副本，有什么缺点呢？在什么状况下，会出现性能上的恶劣的影响呢？map，自己是不小，存放数据的一个单位是Entry，还有可能会用链表的格式的来存放Entry链条。因此map是比较消耗内存的数据格式。
好比，map是1M。总共，你前面调优都调的特好，资源给的到位，配合着资源，并行度调节的绝对到位，1000个task。大量task的确都在并行运行。这些task里面都用到了占用1M内存的map，那么首先，map会拷贝1000份副本，经过网络传输到各个task中去，给task使用。总计有1G的数据，会经过网络传输。网络传输的开销，不容乐观啊！！！网络传输，也许就会消耗掉你的spark做业运行的总时间的一小部分。
map副本，传输到了各个task上以后，是要占用内存的。1个map的确不大，1M；1000个map分布在你的集群中，一会儿就耗费掉1G的内存。对性能会有什么影响呢？没必要要的内存的消耗和占用，就致使了，你在进行RDD持久化到内存，也许就无法彻底在内存中放下；就只能写入磁盘，最后致使后续的操做在磁盘IO上消耗性能；
你的task在建立对象的时候，也许会发现堆内存放不下全部对象，也许就会致使频繁的垃圾回收器的回收，GC。GC的时候，必定是会致使工做线程中止，也就是致使Spark暂停工做那么一点时间。频繁GC的话，对Spark做业的运行的速度会有至关可观的影响。

若是说，task使用大变量（1m~100m），明知道会致使性能出现恶劣的影响。那么咱们怎么来解决呢？

广播，Broadcast，将大变量广播出去。而不是直接使用。

 

广播变量的好处，不是每一个task一份变量副本，而是变成每一个节点的executor才一份副本。这样的话，就可让变量产生的副本大大减小。

广播变量，初始的时候，就在Drvier上有一份副本。task在运行的时候，想要使用广播变量中的数据，此时首先会在本身本地的Executor对应的

BlockManager中，尝试获取变量副本；若是本地没有，BlockManager，也许会从远程的Driver上面去获取变量副本；也有可能从距离比较近的其余

节点的Executor的BlockManager上去获取，并保存在本地的BlockManager中；BlockManager负责管理某个Executor对应的内存和磁盘上的数据，

此后这个executor上的task，都会直接使用本地的BlockManager中的副本。

好比，50个executor，1000个task。一个map，10M：

默认状况下，1000个task，1000份副本。10G的数据，网络传输，在集群中，耗费10G的内存资源。

若是使用了广播变量。50个execurtor，50个副本。500M的数据，网络传输，并且不必定都是从Driver传输到每一个节点，还多是就近从最近的

节点的executor的bockmanager上拉取变量副本，网络传输速度大大增长；500M的内存消耗。

 

第五：使用Kryo序列化

在SparkConf中设置一个属性，spark.serializer，org.apache.spark.serializer.KryoSerializer类；注册你使用到的，须要经过Kryo序列化的，

一些自定义类，SparkConf.registerKryoClasses()

SparkConf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")

.registerKryoClasses(new Class[]{CategorySortKey.class})

Kryo之因此没有被做为默认的序列化类库的缘由，就要出现了：主要是由于Kryo要求，若是要达到它的最佳性能的话，那么就必定要注册你自定义的类（好比，你的算子函数中使用到了外部自定义类型的对象变量，这时，就要求必须注册你的类，不然Kryo达不到最佳性能）。

当使用了序列化的持久化级别时，在将每一个RDD partition序列化成一个大的字节数组时，就会使用Kryo进一步优化序列化的效率和性能。默认状况下，Spark内部是使用Java的序列化机制，ObjectOutputStream / ObjectInputStream，对象输入输出流机制，来进行序列化。

这种默认序列化机制的好处在于，处理起来比较方便；也不须要咱们手动去作什么事情，只是，你在算子里面使用的变量，必须是实现Serializable接口的，可序列化便可。可是缺点在于，默认的序列化机制的效率不高，序列化的速度比较慢；序列化之后的数据，占用的内存空间相对仍是比较大。

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

 

 

。因此Kryo序列化优化之后，可让网络传输的数据变少；在集群中耗费的内存资源大大减小。在进行stage间的task的shuffle操做时，节点与节点之

间的task会互相大量经过网络拉取和传输文件，此时，这些数据既然经过网络传输，也是可能要序列化的，就会使用Kryo。

 

Kryo序列化机制，一旦启用之后，会生效的几个地方：

一、算子函数中使用到的外部变量，使用Kryo之后：优化网络传输的性能，能够优化集群中内存的占用和消耗
二、持久化RDD，StorageLevel.MEMORY_ONLY_SER优化内存的占用和消耗；持久化RDD占用的内存越少，task执行的时候，建立的对象，就
不至于频繁的占满内存，频繁发生GC。

三、shuffle：能够优化网络传输的性能。

 

第六：数据本地化

本地化级别

PROCESS_LOCAL：进程本地化，代码和数据在同一个进程中，也就是在同一个executor中；计算数据的task由executor执行，数据在executor的BlockManager中；性能最好

NODE_LOCAL：节点本地化，代码和数据在同一个节点中；好比说，数据做为一个HDFS block块，就在节点上，而task在节点上某个executor中运行；或者是，数据和task在一个节点上的不一样executor中；数据须要在进程间进行传输
NO_PREF：对于task来讲，数据从哪里获取都同样，没有好坏之分
RACK_LOCAL：机架本地化，数据和task在一个机架的两个节点上；数据须要经过网络在节点之间进行传输
ANY：数据和task可能在集群中的任何地方，并且不在一个机架中，性能最差

Spark.locality.wait，默认是3s

 

Spark在Driver上，对Application的每个stage的task，进行分配以前，都会计算出每一个task要计算的是哪一个分片数据，RDD的某个partition；Spark的task分配算法，优先，会但愿每一个task正好分配到它要计算的数据所在的节点，这样的话，就不用在网络间传输数据；

可是可能task没有机会分配到它的数据所在的节点，由于可能那个节点的计算资源和计算能力都满了；因此呢，这种时候，一般来讲，Spark会等待一段时间，默认状况下是3s钟（不是绝对的，还有不少种状况，对不一样的本地化级别，都会去等待），到最后，实在是等待不了了，就会选择一个比较差的本地化级别，好比说，将task分配到靠它要计算的数据所在节点，比较近的一个节点，而后进行计算。

可是对于第二种状况，一般来讲，确定是要发生数据传输，task会经过其所在节点的BlockManager来获取数据，BlockManager发现本身本地没有数据，会经过一个getRemote()方法，经过TransferService（网络数据传输组件）从数据所在节点的BlockManager中，获取数据，经过网络传输回task所在节点。

对于咱们来讲，固然不但愿是相似于第二种状况的了。最好的，固然是task和数据在一个节点上，直接从本地executor的BlockManager中获取数据，纯内存，或者带一点磁盘IO；若是要经过网络传输数据的话，那么实在是，性能确定会降低的，大量网络传输，以及磁盘IO，都是性能的杀手。

 

时候要调节这个参数？

观察日志，spark做业的运行日志，推荐你们在测试的时候，先用client模式，在本地就直接能够看到比较全的日志。
日志里面会显示，starting task。。。，PROCESS LOCAL、NODE LOCAL，观察大部分task的数据本地化级别。

若是大多都是PROCESS_LOCAL，那就不用调节了
若是是发现，好多的级别都是NODE_LOCAL、ANY，那么最好就去调节一下数据本地化的等待时长
调节完，应该是要反复调节，每次调节完之后，再来运行，观察日志
看看大部分的task的本地化级别有没有提高；看看，整个spark做业的运行时间有没有缩短

 

可是注意别本末倒置，本地化级别却是提高了，可是由于大量的等待时长，spark做业的运行时间反而增长了，那就仍是不要调节了。

spark.locality.wait，默认是3s；能够改为6s，10s

默认状况下，下面3个的等待时长，都是跟上面那个是同样的，都是3sspark.locality.wait.processspark.locality.wait.nodespark.locality.wait.racknew SparkConf()  .set("spark.locality.wait", "10")