spark调优之开发调优

（1）避免重复的RDD

案例：

val rdd1 = sc.textFile("hdfs://zzy/hello.txt")
rdd1.map(...)
val rdd2 = sc.textFile("hdfs://zzy/hello.txt")
rdd2.reduce(...)

这里条用了两次textFile，并且读取的是同一个文件，造成了多次的磁盘读取，如果是hi同一个文件，读取一次即可。

（2）尽可能多的复用一个RDD

错误演示：

       //由于业务需要，对rdd1执行了一个map操作，创建了一个rdd2，而rdd2中的数据仅仅是rdd1中的value值而已，也就是说，rdd2是rdd1的子集。
        val list=List(("math",18),("hbase",18),("hive",22),("hive",18))
        val listRDD: RDD[(String, Int)] = sc.parallelize(list)
        val listRDD2=listRDD.map(kv=>kv._2)

正确做法：

        //在进行第二个map操作时，只使用每个数据的kv._2，也就是rdd1中的value值，即可
        val list=List(("math",18),("hbase",18),("hive",22),("hive",18))
        val listRDD: RDD[(String, Int)] = sc.parallelize(list)
        listRDD.reduceByKey(_+_).map(kv=>kv._2)

（3）对多次使用的RDD进行持久化

案例：

        val list=List(("math",18),("hbase",18),("hive",22),("hive",18))
        val listRDD: RDD[(String, Int)] = sc.parallelize(list)
        listRDD.cache()
        listRDD.map(kv=>kv._1)
        listRDD.map(kv=>kv._2)
        listRDD.reduceByKey(_+_)

注意：程序运行过程中的数据放置在内存中，如果程序执行完成，一般都会释放内存的资源。如果程序执行过程中，生成了一些中间结果是另一个程序需要使用的数据时，那么就可以把该数据持久化到内存或者磁盘中，避免不必要的重复计算，一般的一个RDD如果被重复使用2~3次以上，就需要持久化。

（4）尽量避免使用shuffle类的算子

因为在spark作业的运行过程中，最消耗性能的地方就是shuffle过程，原因：

在shuffle过程中，各个节点上相同的key都会通过网络传输聚合到同一个节点上，会引发大量的IO操作以及数据的网络传输。
shuffle过程，必须上一个阶段完成之后，才能进行下一个阶段的计算，导致了在并行计算中，由于某个计算的时间特别长，导致了整体计算时长取决于那个计算最长的计算的时间。如果有一个任务运行了很长时间，而其他的任务在很短的时间就计算完成，其他的任务程序需要等待这个未完成的程序，导致资源被浪费。
案例：
// 传统的join操作会导致shuffle操作：
```
// 因为两个RDD中，相同的key都需要通过网络拉取到一个节点上，由一个task进行join操作
val rdd3 = rdd1.join(rdd2)
```
使用Broadcast+map的join操作：
```
// 使用Broadcast将一个数据量较小的RDD作为广播变量。
val rdd2Data = rdd2.collect()
val rdd2DataBroadcast = sc.broadcast(rdd2Data)
```
注意：广播变量的对象一定不能太大，如果太大的话可能会导致OOM，当然广播变量不能是一个RDD，可以通过一些action算子，将RDD转化成为集合然后进行广播。

（5）使用map-side预聚合的shuffle操作（combine）

具有combine的算子：reduceByKey、combineByKey、aggregateByKey。
没有combine的算子：groupByKey、coGroup。

（6）使用高性能的算子
使用reduceByKey/ combineByKey代替groupByKey----优先使用有combine的算子
使用mappartitions代替map

案例：

        val hdfsRDD: RDD[String] = sc.textFile("hdfs://zy/data/word.txt")
             //Map是每一条调用一次
                hdfsRDD.map(kv=>{
            //获取数据库的连接
            connect=Connect.getconnect()
            connect.insert(kv)
        })
        //Mappartitions每一个分区调用一次。
        hdfsRDD.mapPartitions(partition=>{
            if(!partition.isEmpty){
                //获取数据库的连接
                connect=Connect.getconnect()
                partition.foreach(mes=>{
                    connect.insert(mes)
                })
            }
        })

以上的案例虽然都是插入数据，但是使用map是每一条记录都需要创建一个连接，而使用mappartition只需要每一个分区创建一个即可。

使用foreachPartitione代替foreach，原理和上一个一样
使用filter算子之后，使用colaesce重新分区
因为在过滤之后，数据量会减少，此时在进行重新分区，会重新划分数据，是数据分配均匀。
使用repartitionAndSortWithinPartitions替代repartition与sort类操作
repartitionAndSortWithinPartitions：分区和排序同时进行。（效率高）
Repartition+sort：先分区然后在排序（这种方法，会重复创建RDD）

（7）使用广播变量

优势见：http://blog.51cto.com/14048416/2338188

（8）使用spark自带的Kryo序列化

默认的情况下，spark支持java原生的序列化机制，使用KryoSerolizar可以优化序列化和反序列化的性能
案例：

// 设置序列化器为KryoSerializer。
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
// 注册要序列化的自定义类型。
conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]))

（9）数据结构的调优

在java中有三种对象比较消耗内存：对象、字符串、集合类型。
对象：每一个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
字符串：每一个字符串内部都有一个字符数组以及长度等额外信息
集合：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。
所以我们遵循：尽量少用这三种类型，当然使用基本数据类型代替字符串，使用字符串代替对象，使用对象代替集合。

本博文参考至美团的spark调优：https://tech.meituan.com/