Spark性能優化的10大問題及其解決方案是什么

本篇文章給大家分享的是有關Spark性能優化的10大問題及其解決方案是什么，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

問題1：reduce task數目不合適

解決方案：

需要根據實際情況調整默認配置，調整方式是修改參數spark.default.parallelism。通常的，reduce數目設置為core數目的2-3倍。數量太大，造成很多小任務，增加啟動任務的開銷；數目太小，任務運行緩慢。所以要合理修改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默認使用JDK 自帶的ObjectOutputStream，這種方式產生的結果大、CPU處理時間長，可以通過設置spark.serializer為org.apache.spark.serializer.KeyoSerializer。

另外如果結果已經很大，那就最好使用廣播變量方式了，結果你懂得。

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一個Array的方式放在內存中，可以直接輸出到分布式的文件系統，然后查看文件系統中的內容；

問題7: 任務執行速度傾斜

解決方案：

如果數據傾斜，一般是partition key取得不好，可以考慮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執行緩慢，可以通過設置spark.speculation=true 把那些持續慢的節點去掉；

問題8: 通過多步驟的RDD操作后有很多空任務或者小任務產生

解決方案：

使用coalesce或者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 運行速度突然下降了，經常會有任務延遲和阻塞

解決方案：

這是因為我們設置job啟動interval時間間隔太短了，導致每次job在指定時間無法正常執行完成，換句話說就是創建的windows窗口時間間隔太密集了；

以上就是Spark性能優化的10大問題及其解決方案是什么，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。