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。
1.1 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）
1.2 为什么调大资源以后性能可以提升
二、提高并行度
2.1 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。）
举例说明：
假如， 现在已经在spark‐submit 脚本里面，给我们的spark作业分配了足够多的资源，比如50个executor ，每 个executor 有10G内存，每个executor有3个cpu core 。 基本已经达到了spark集群或者yarn集群上限。task没有 设置，或者设置的很少，比如就设置了100个task、50个executor、每个executor有3个core ，也就是说 Application 任何一个stage运行的时候，都有总数150个cpu core ，可以并行运行。
但是你现在只有100个task，平均分配一下，每个executor 分配到2个task，那么同时在运行的task，只有100个 task，每个executor 只会并行运行 2个task。 每个executor 剩下的一个cpu core 就浪费掉了！你的资源，虽然分 配充足了，但是问题是， 并行度没有与资源相匹配，导致你分配下去的资源都浪费掉了。合理的并行度的设置，应该要 设置的足够大，大到可以完全合理的利用你的集群资源； 比如上面的例子，总共集群有150个cpu core ，可以并行运 行150个task。那么你就应该将你的Application 的并行度，至少设置成150个，才能完全有效的利用你的集群资源， 让150个task并行执行，而且task增加到150个以后，即可以同时并行运行，还可以让每个task要处理的数量变少； 比 如总共150G的数据要处理， 如果是100个task ，每个task 要计算1.5G的数据。 现在增加到150个task，每个task只 要处理1G数据。
2.2 如何提高并行度
1) 可以设置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) 如何设置task数量来提升并行度
设置参数spark.defalut.parallelism
默认是没有值的，如果设置了值为10，它会在shuffle的过程才会起作用。
比如：val rdd2 = rdd1.reduceByKey(_+_)
此时rdd2的分区数就是10，rdd1的分区数不受这个参数的影响。
可以通过在构建SparkConf对象的时候设置，例如：new SparkConf().set("spark.defalut.parallelism","500")
3) 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。
4) 提高spark sql 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
3.1 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。
3.2 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。
3.3 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。
3.4 广播变量
1) 场景描述
在实际工作中可能会遇到这样的情况，由于要处理的数据量非常大，这个时候可能会在一个stage中出现大量的 task，比如有1000个task，这些task都需要一份相同的数据来处理业务，这份数据的大小为100M，该数据会拷贝 1000份副本，通过网络传输到各个task中去，给task使用。这里会涉及大量的网络传输开销，同时至少需要的内存 为1000*100M=100G，这个内存开销是非常大的。不必要的内存的消耗和占用，就导致了，你在进行RDD持久化 到内存，也许就没法完全在内存中放下；就只能写入磁盘，后导致后续的操作在磁盘IO上消耗性能；这对于 spark任务处理来说就是一场灾难。
由于内存开销比较大，task在创建对象的时候，可能会出现堆内存放不下所有对象，就会导致频繁的垃圾回收器的 回收GC。GC的时候一定是会导致工作线程停止，也就是导致Spark暂停工作那么一点时间。频繁GC的话，对 Spark作业的运行的速度会有相当可观的影响。
2) 广播变量引入
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。
3) 使用广播变量后的性能分析
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。
4) 如何使用广播变量
(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
4.1 spark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。
4.2 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。
最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。
最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。
最终可以优化网络传输的性能
4.3 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（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
5.1 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。
5.2 fastutil 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。
5.3 Spark中应用fastutil 的场景
1) 算子函数使用了外部变量
● 你可以使用Broadcast广播变量优化；
● 可以使用Kryo序列化类库，提升序列化性能和效率；
● 如果外部变量是某种比较大的集合，那么可以考虑使用fastutil改写外部变量；
首先从源头上就减少内存的占用(fastutil)，通过广播变量进一步减少内存占用，再通过Kryo序列化类库进一步减少内存占用。
2) 算子函数里使用了比较大的集合Map/List
在你的算子函数里，也就是task要执行的计算逻辑里面，如果有逻辑中，出现，要创建比较大的Map、List等集合， 可能会占用较大的内存空间，而且可能涉及到消耗性能的遍历、存取等集合操作；
那么此时，可以考虑将这些集合类型使用fastutil类库重写，
使用了fastutil集合类以后，就可以在一定程度上，减少task创建出来的集合类型的内存占用。
避免executor内存频繁占满，频繁唤起GC，导致性能下降。
3) 关于fastutil 的调优说明
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。
4) fastutil 的使用
第一步：在pom.xml中引用fastutil的包
<dependency>
<groupId> fastutil </groupId>
<artifactId> fastutil </artifactId>
<version> 5.0.9 </version>
</dependency>
第二步：平时使用List （Integer）的替换成IntList即可。
List<Integer>的list对应的到fastutil就是IntList类型
使用说明： 基本都是类似于IntList的格式，前缀就是集合的元素类型；
特殊的就是Map，Int2IntMap，代表了key‐value映射的元素类型。
六、调节数据本地化等待时长
Spark在Driver上对Application的每一个stage的task进行分配之前，都会计算出每个task要计算的是哪个分片数 据，RDD的某个partition；Spark的task分配算法，优先会希望每个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；
但是通常来说，有时事与愿违，可能task没有机会分配到它的数据所在的节点，为什么呢，可能那个节点的计算资 源和计算能力都满了；所以这种时候，通常来说，Spark会等待一段时间，默认情况下是3秒（不是绝对的，还有很 多种情况，对不同的本地化级别，都会去等待），到后实在是等待不了了，就会选择一个比较差的本地化级别， 比如说将task分配到距离要计算的数据所在节点比较近的一个节点，然后进行计算。
6.1 本地化级别
（1）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；性能好。
（2）NODE_LOCAL：节点本地化
代码和数据在同一个节点中；比如说数据作为一个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在一个节点上的不同executor中；数据需要在进程间进行传输；性能其次。
（3）RACK_LOCAL：机架本地化
数据和task在一个机架的两个节点上；数据需要通过网络在节点之间进行传输； 性能比较差。
（4） ANY：无限制
数据和task可能在集群中的任何地方，而且不在一个机架中；性能最差。
6.2 数据本地化等待时长
spark.locality.wait，默认是3s
首先采用佳的方式，等待3s后降级,还是不行，继续降级...,后还是不行，只能够采用差的。
七、降低cache操作的内存占比
7.1 为什么需要JVM调优
spark的scala代码调用了很多java api。scala也是运行在java虚拟机中的。spark是运行在java虚拟机中的。
java虚拟机可能会产生什么样的问题：内存不足？？！！
我们的RDD的缓存、task运行定义的算子函数，可能会创建很多对象。都可能会占用大量内存，没搞好的话，可能导致 JVM出问题。
JVM调优（Java虚拟机）：JVM相关的参数，通常情况下，如果你的硬件配置、基础的JVM的配置，都ok的话，JVM通常不 会造成太严重的性能问题；反而更多的是在troubleshooting（故障排除）中，JVM占了很重要的地位；JVM造成线上的 spark作业的运行报错，甚至失败（比如OOM）。
7.2 JVM堆内存模型图
有通过new创建的对象的内存都在堆中分配，其大小可以通过‐Xmx和‐Xms来控制。
堆被划分为年轻代和老年代，年轻代又被进一步划分为Eden和Survivor区
JVM堆空间内存分配，在默认情况下：
年轻代 ：用于存放新产生的对象。我们在spark task执行算子函数操作的时候，可能会创建很多对象，这些对象都 是要放入JVM年轻代中的，它占用堆中三分之一的堆内存空间。
里面又分为三个区域
eden区： 8/10 的年轻代空间
survivor0 : 1/10 的年轻代空间
survivor1 : 1/10 的年轻代空间
老年代 ： 用于存放被长期引用的对象，它占用堆中三分之一的堆内存空间。
7.3 JVM工作阐述
每一次放对象的时候，都是放入eden区域，和其中一个survivor区域；另外一个survivor区域是空闲的。 当eden区域和一个survivor区域放满了以后（spark运行过程中，产生的对象实在太多了），就会触发minor gc，小型 垃圾回收。把不再使用的对象，从内存中清空，给后面新创建的对象腾出来点儿地方。
清理掉了不再使用的对象之后，那么也会将存活下来的对象（还要继续使用的），放入之前空闲的那一个 survivor区域中。这里可能会出现一个问题。默认eden、survior0和survivor1的内存占比是8:1:1。问题是，如果存 活下来的对象是1.5，一个survivor区域放不下，将多余的对象，直接放入老年代了。
如果你的JVM内存不够大的话，可能导致频繁的年轻代内存满溢，频繁的进行minor gc（清理Eden区和 Survivor区）。频繁的minor gc会导致短时间内，有些存活的对象，多次垃圾回收都没有回收掉。会导致这种短生命周 期（其实不一定是要长期使用的）对象，年龄过大，垃圾回收次数太多还没有回收到，跑到老年代。老年代中，可能会因 为内存不足，囤积一大堆，短生命周期的，本来应该在年轻代中的，可能马上就要被回收掉的对象。此时可能导致老年代 频繁满溢。频繁进行full gc（清理整个堆空间—包括年轻代和老年代）。full gc就会去回收老年代中的对象。 full gc / minor gc，无论是快，还是慢，都会导致jvm的工作线程停止工作，stop the world。 简而言之，就是说gc的时候，spark停止工作了。等着垃圾回收结束。
内存不充足的时候，会出现的问题：
（1)、频繁minor gc，也会导致频繁spark停止工作
（2)、老年代囤积大量活跃对象（短生命周期的对象），导致频繁full gc，full gc时间很长，短则数十秒，长则数分 钟，甚至数小时。可能导致spark长时间停止工作。
（3)、频繁gc会严重影响spark的性能和运行的速度。
7.4 降低cache操作的内存占比
spark中，堆内存又被划分成了两块儿，一块儿是专门用来给RDD的cache、persist操作进行RDD数据缓存用的；
另外一块儿，就是我们刚才所说的，用来给spark算子函数的运行使用的，存放函数中自己创建的对象。
默认情况下，给RDD cache操作的内存占比是0.6（spark.storage.memoryFraction=0.6），60%的内存都给 了cache操作了。如果某些情况下，cache不是那么的紧张，在task算子函数中创建的对象过多，然后内存又不太大，导 致了频繁的minor gc，甚至频繁full gc，导致spark频繁的停止工作。性能影响会很大。
针对上述这种情况，大家可以在之前我们讲过的那个spark ui。yarn去运行的话，那么就通过yarn的界面，去 查看你的spark作业的运行统计，很简单大家一层一层点击进去就好。可以看到每个stage的运行情况，包括每个task的 运行时间、gc时间等等。如果发现gc太频繁，时间太长。此时就可以适当调节这个比例。
降低cache操作的内存占比，大不了用persist操作，选择将一部分缓存的RDD数据写入磁盘，或者序列化方式， 配合Kryo序列化类，减少RDD缓存的内存占用；降低cache操作内存占比；此时对应的算子函数的内存占比就提升了。这个 时候，可能就可以减少minor gc的频率，同时减少full gc的频率。对性能的提升是有一定的帮助的。
总之一句话，让task执行算子函数时，有更多的内存可以使用。
7.5 降低cache操作的内存占比代码实现
cache操作的内存占比为堆内存的0.6 也就是百分之60，可以适当调节，降低该值，
修改spark.storage.memoryFraction参数
可以设置为0.5‐‐‐>0.4‐‐‐‐‐‐>0.3
例如：
new SparkConf().set("spark.storage.memoryFraction","0.4")
把cache操作的内存占比修改为堆内存的百分之40，让堆内存可以容纳更多的对象，减少gc的频率，提高spark任务运行 的速度和性能。