spark性能优化点
一、分配更多的资源
它是性能优化调优的王道，就是增加和分配更多的资源，这对于性能和速度上的提升是显而易见的， 基本上，在一定范围之内，增加资源与性能的提升，是成正比的；写完了一个复杂的spark作业之后，进行性能调 优的时候，首先第一步，就是要来调节优的资源配置；在这个基础之上，如果说你的spark作业，能够分配的资源达到 了你的能力范围的顶端之后，无法再分配更多的资源了，公司资源有限；那么才是考虑去做后面的这些性能调优的点。
1、分配哪些资源
executor-memory、executor-cores、driver-memory
2、在哪里设置
在实际的生产环境中，提交spark任务时，使用spark‐submit shell脚本，在里面调整对应的参数。
提交任务的脚本: spark‐submit \
‐‐master spark://node1:7077 \
‐‐class cn.itcast.WordCount \
‐‐num‐executors 3 \ 配置executor的数量
‐‐driver‐memory 1g \ 配置driver的内存（影响不大）
‐‐executor‐memory 1g \ 配置每一个executor的内存大小
‐‐executor‐cores 3 \ 配置每一个executor的cpu个数
/export/servers/wordcount.jar
3、参数调节到多大，算是最大
第一种情况：standalone模式
先计算出公司spark集群上的所有资源 每台节点的内存大小和cpu核数， 比如：一共有20台worker节点，每台节点8g内存，10个cpu。 实际任务在给定资源的时候，可以给20个executor、每个executor的内存8g、每个executor的使用的cpu个数 10。
第二种情况：Yarn
先计算出yarn集群的所有大小，比如一共500g内存，100个cpu； 这个时候可以分配的大资源，比如给定50个executor、每个executor的内存大小10g,每个executor使用的cpu 个数为2。 使用原则：你能使用的资源有多大，就尽量去调节到大的大小（executor的数量：几十个到上百个不等；executor的 内存；exector的cpu个数）
二、提高并行度
1、spark的并行度指的是什么？
spark作业中，各个stage的task的数量，也就代表了spark作业在各个阶段stage的并行度！
当分配完所能分配的大资源了，然后对应资源去调节程序的并行度，如果并行度没有与资源相匹配，那么导致你 分配下去的资源都浪费掉了。同时并行运行，还可以让每个task要处理的数量变少（很简单的原理。合理设置并行度， 可以充分利用集群资源，减少每个task处理数据量，而增加性能加快运行速度。
2、提高并行度的三种方式
（1）、设置task的数量
至少设置成与spark Application 的总cpu core 数量相同（理想情况，150个core，分配150task，一起运 行，差不多同一时间运行完毕）官方推荐，task数量，设置成spark Application 总cpu core数量的2~3倍 。 比如150个cpu core ，基本设置task数量为300~500. 与理想情况不同的，有些task会运行快一点，比如50s就完 了，有些task 可能会慢一点，要一分半才运行完，所以如果你的task数量，刚好设置的跟cpu core 数量相同，可能会 导致资源的浪费。 因为比如150个task中10个先运行完了，剩余140个还在运行，但是这个时候，就有10个cpu core空闲出来了，导 致浪费。如果设置2~3倍，那么一个task运行完以后，另外一个task马上补上来，尽量让cpu core不要空闲。同时尽量 提升spark运行效率和速度。提升性能
（2）、给RDD重新设置partition的数量
使用rdd.repartition 来重新分区，该方法会生成一个新的rdd，使其分区数变大。 此时由于一个partition对应一个task，那么对应的task个数越多，通过这种方式也可以提高并行度
（3）、提高sparksql运行的task数量
通过设置参数 spark.sql.shuffle.partitions=500 默认为200； 可以适当增大，来提高并行度。 比如设置为 spark.sql.shuffle.partitions=500
三、RDD的重用和持久化
1、实际开发遇到的情况说明
如上图所示的计算逻辑：
（1）当第一次使用rdd2做相应的算子操作得到rdd3的时候，就会从rdd1开始计算，先读取HDFS上的文件，然后对rdd1 做对应的算子操作得到rdd2,再由rdd2计算之后得到rdd3。同样为了计算得到rdd4，前面的逻辑会被重新计算。
（2）默认情况下多次对一个rdd执行算子操作，去获取不同的rdd，都会对这个rdd及之前的父rdd全部重新计算一次。 这种情况在实际开发代码的时候会经常遇到，但是我们一定要避免一个rdd重复计算多次，否则会导致性能急剧降低。
总结：可以把多次使用到的rdd，也就是公共rdd进行持久化，避免后续需要，再次重新计算，提升效率。
2、如何对rdd进行持久化
可以调用rdd的cache或者persist方法。
（1）cache方法默认是把数据持久化到内存中 ，例如：rdd.cache ，其本质还是调用了persist方法
（2）persist方法中有丰富的缓存级别，这些缓存级别都定义在StorageLevel这个object中，可以结合实际的应用场 景合理的设置缓存级别。例如： rdd.persist(StorageLevel.MEMORY_ONLY),这是cache方法的实现。
3、rdd持久化时可以采用序列化
（1）如果正常将数据持久化在内存中，那么可能会导致内存的占用过大，这样的话，也许会导致OOM内存溢出。
（2）当纯内存无法支撑公共RDD数据完全存放的时候，就优先考虑使用序列化的方式在纯内存中存储。将RDD的每个 partition的数据，序列化成一个字节数组；序列化后，大大减少内存的空间占用。
（3）序列化的方式，唯一的缺点就是，在获取数据的时候，需要反序列化。但是可以减少占用的空间和便于网络传输
（4）如果序列化纯内存方式，还是导致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）。
（5）为了数据的高可靠性，而且内存充足，可以使用双副本机制，进行持久化
持久化的双副本机制，持久化后的一个副本，因为机器宕机了，副本丢了，就还是得重新计算一次；
持久化的每个数据单元，存储一份副本，放在其他节点上面，从而进行容错；
一个副本丢了，不用重新计算，还可以使用另外一份副本。这种方式，仅仅针对你的内存资源极度充足。
比如: StorageLevel.MEMORY_ONLY_2
4、广播变量的使用
场景描述
广播变量介入
Spark中分布式执行的代码需要传递到各个executor的task上运行。对于一些只读、固定的数据,每次都需要Driver 广播到各个Task上，这样效率低下。广播变量允许将变量只广播（提前广播）给各个executor。该executor上的各 个task再从所在节点的BlockManager(负责管理某个executor对应的内存和磁盘上的数据)获取变量，而不是从 Driver获取变量，从而提升了效率
广播变量，初始的时候，就在Drvier上有一份副本。通过在Driver把共享数据转换成广播变量。 task在运行的时候，想要使用广播变量中的数据，此时首先会在自己本地的Executor对应的BlockManager中，尝 试获取变量副本；如果本地没有，那么就从Driver远程拉取广播变量副本，并保存在本地的BlockManager中； 此后这个executor上的task，都会直接使用本地的BlockManager中的副本。那么这个时候所有该executor中的 task都会使用这个广播变量的副本。也就是说一个executor只需要在第一个task启动时，获得一份广播变量数据，之后 的task都从本节点的BlockManager中获取相关数据。 executor的BlockManager除了从driver上拉取，也可能从其他节点的BlockManager上拉取变量副本，网络距离 越近越好
使用广播变量的后的性能分析
比如一个任务需要50个executor，1000个task，共享数据为100M。
(1)在不使用广播变量的情况下，1000个task，就需要该共享数据的1000个副本，也就是说有1000份数需要大量的网络 传输和内存开销存储。耗费的内存大小1000*100=100G.
(2)使用了广播变量后，50个executor就只需要50个副本数据，而且不一定都是从Driver传输到每个节点，还可能是就 近从近的节点的executor的blockmanager上拉取广播变量副本，网络传输速度大大增加；内存开销 50*100M=5G
总结： 不使用广播变量的内存开销为100G，使用后的内存开销5G，这里就相差了20倍左右的网络传输性能损耗和内存开 销，使用广播变量后对于性能的提升和影响，还是很可观的。广播变量的使用不一定会对性能产生决定性的作用。比如运行30分钟的spark作业，可能做了广播变量以后，速度 快了2分钟，或者5分钟。但是一点一滴的调优，积少成多。后还是会有效果的。
如何使用广播变量
例如： (1) 通过sparkContext的broadcast方法把数据转换成广播变量，类型为Broadcast，
val broadcastArray: Broadcast[Array[Int]] = sc.broadcast(Array(1,2,3,4,5,6))
(2) 然后executor上的BlockManager就可以拉取该广播变量的副本获取具体的数据。
获取广播变量中的值可以通过调用其value方法
val array: Array[Int] = broadcastArray.value
四、使用kryo序列化
1、kryo序列化介绍
Spark在进行任务计算的时候，会涉及到数据跨进程的网络传输、数据的持久化，这个时候就需要对数据进行序列 化。Spark默认采用Java的序列化器。默认java序列化的优缺点如下:
其好处： 处理起来方便，不需要我们手动做其他操作，只是在使用一个对象和变量的时候，需要实现Serializble接口。
其缺点： 默认的序列化机制的效率不高，序列化的速度比较慢；序列化以后的数据，占用的内存空间相对还是比较大。
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。所以Kryo序列化优化以后，可以让网络传输的数据变少；在集群中耗费的内存资源大大减 少
2、Kryo序列化启用后生效的地方
Kryo序列化机制，一旦启用以后，会生效的几个地方：
（1）算子函数中使用到的外部变量 算子中的外部变量可能来着与driver需要涉及到网络传输，就需要用到序列化。
终可以优化网络传输的性能，优化集群中内存的占用和消耗
（2）持久化RDD时进行序列化，StorageLevel.MEMORY_ONLY_SER 将rdd持久化时，对应的存储级别里，需要用到序列化。
终可以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，创建的对象，就不至于频繁 的占满内存，频繁发生GC。
（3） 产生shuffle的地方，也就是宽依赖 下游的stage中的task，拉取上游stage中的task产生的结果数据，跨网络传输，需要用到序列化。
终可以优化网络传输的性能
3、 如何开启Kryo序列化机制
(1)在构建sparkConf的时候设置相关参数 new SparkConf().set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
Kryo之所以没有被作为默认的序列化类库的原因,主要是因为Kryo要求如果要达到它的佳性能的话，那么就一定 要注册你自定义的类（比如，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，否 则Kryo达不到佳性能）。
Kryo也不支持所有实现了 java.io.Serializable 接口的类型，它需要你在程序中 register 需要序列化的类 型，以得到佳性能。
(2)注册需要通过Kryo序列化的一些自定义类 new SparkConf().registerKryoClasses(Array(classOf[Student]))
该方法需要一个Class类型的数组，表示可以一下子注册多个需要实现Kryo序列化的类
五、使用fastutil优化数据格式
1、fastutil介绍
fastutil是扩展了Java标准集合框架（Map、List、Set；HashMap、ArrayList、HashSet）的类库，提供了特殊类型 的map、set、list和queue； fastutil能够提供更小的内存占用，更快的存取速度；我们使用fastutil提供的集合类，来替代自己平时使用的JDK的 原生的Map、List、Set，
2、好处
fastutil集合类，可以减小内存的占用，并且在进行集合的遍历、根据索引（或者key）获取元素的值和设置元素的值 的时候，提供更快的存取速度； fastutil也提供了64位的array、set和list，以及高性能快速的，以及实用的IO类，来处理二进制和文本类型的文 件； fastutil新版本要求Java 7以及以上版本； fastutil的每一种集合类型，都实现了对应的Java中的标准接口（比如fastutil的map，实现了Java的Map接口），因 此可以直接放入已有系统的任何代码中。 fastutil还提供了一些JDK标准类库中没有的额外功能（比如双向迭代器）。 fastutil除了对象和原始类型为元素的集合，fastutil也提供引用类型的支持，但是对引用类型是使用等于号（=）进 行比较的，而不是equals()方法。 fastutil尽量提供了在任何场景下都是速度快的集合类库
3、关于fastutil调优的说明
fastutil其实没有你想象中的那么强大，也不会跟官网上说的效果那么一鸣惊人。广播变量、Kryo序列化类库、 fastutil，都是之前所说的，对于性能来说,类似于一种调味品，烤鸡，本来就很好吃了，然后加了一点特质的孜然麻辣 粉调料，就更加好吃了一点。 分配资源、并行度、RDD架构与持久化，这三个就是烤鸡； broadcast、kryo、fastutil，类似于调料。 比如说，你的spark作业，经过之前一些调优以后，大概30分钟运行完， 现在加上broadcast、kryo、fastutil，也许就是优化到29分钟运行完、或者更好一点，也许就是28分钟、25分钟。 真正有意义的就是后面要学习的shuffle调优，可能优化之后只需要15分钟； 还有把groupByKey用reduceByKey改写，执行本地聚合，也许10分钟； 甚至可以向公司申请更多的资源，扩大整个集群的计算能力，后可能到达5分钟就完成任务了
此外还可以调节数据本地化等待时长、降低cache操作的内存占比等