spark內核揭秘-14-Spark性能優化的10大問題及其解決方案

問題1：reduce task數目不適合

解決方案：

需要根據實際情況調劑默許配置，調劑方式是修改參數spark.default.parallelism。通常的，reduce數目設置為core數目的2⑶倍。數量太大，造成很多小任務，增加啟動任務的開消；數目太小，任務運行緩慢。所以要公道修改reduce的task數目即spark.default.parallelism

問題2：shuffle磁盤IO時間長

解決方案：

設置spark.local.dir為多個磁盤，并設置磁盤的IO速度快的磁盤，通過增加IO來優化shuffle性能；

問題3：map|reduce數量大，造成shuffle小文件數目多

解決方案：

通過設置spark.shuffle.consolidateFiles為true，來合并shuffle中間文件，此時文件數為reduce tasks數目；

問題4：序列化時間長、結果大

解決方案：

spark默許使用JDK 自帶的ObjectOutputStream，這類方式產生的結果大、CPU處理時間長，可以通過設置spark.serializer為org.apache.spark.serializer.KeyoSerializer。

另外如果結果已很大，那就最好使用廣播變量方式了，結果你曉得。

問題5：單條記錄消耗大

解決方案：

使用mapPartition替換map，mapPartition是對每一個Partition進行計算，而map是對partition中的每條記錄進行計算；

問題6 : collect輸出大量結果時速度慢

解決方案：

collect源碼中是把所有的結果以1個Array的方式放在內存中，可以直接輸出到散布式的文件系統，然后查看文件系統中的內容；

問題7: 任務履行速度傾斜

解決方案：

如果數據傾斜，1般是partition key獲得不好，可以斟酌其他的并行處理方式，并在中間加上aggregation操作；如果是Worker傾斜，例如在某些Worker上的executor履行緩慢，可以通過設置spark.speculation=true 把那些延續慢的節點去掉；

問題8: 通過量步驟的RDD操作后有很多空任務或小任務產生

解決方案：

使用coalesce或repartition去減少RDD中partition數量；

問題9：Spark Streaming吞吐量不高

可以設置spark.streaming.concurrentJobs

問題10：Spark Streaming 運行速度突然降落了，常常會有任務延遲和阻塞

解決方案：

這是由于我們設置job啟動interval時間間隔太短了，致使每次job在指定時間沒法正常履行完成，換句話說就是創建的windows窗口時間間隔太密集了；

生活不易，碼農辛苦
如果您覺得本網站對您的學習有所幫助,可以手機掃描二維碼進行捐贈