【业务场景】 　　在Spark的统计开发过程中，肯定会遇到类似小维表join大业务表的场景，或者需要在算子函数中使用外部变量的场景（尤其是大变量，比如100M以上的大集合），那么此时应该使用Spark的广播（Broadcast）功能来提升性能。 【原理说明 ...

一、 广播变量 广播变量允许程序员将一个只读的变量缓存在每台机器上，而不用在任务之间传递变量。广播变量可被用于有效地给每个节点一个大输入数据集的副本。Spark还尝试使用高效地广播算法来分发变量，进而减少通信的开销。 Spark的动作通过一系列的步骤执行，这些步骤由分布式的洗牌操作 ...

A broadcast variable. Broadcast variables allow the programmer to keep a read-only variable cached on each machine rather than shipping a copy ...

1、spark汇聚失败 出错原因，hive默认配置中parquet和动态分区设置太小 2.hive数据入hbase报错 出现报错原因： executor_memory和dirver_memory太小，在增大内存后还会出现连接超时的报错 解决连接超时 ...

Spark性能调优之Shuffle调优 • Spark底层shuffle的传输方式是使用netty传输，netty在进行网络传输的过程会申请堆外内存（netty是零拷贝），所以使用了堆外内存 ...

总结一下spark的调优方案--性能调优： 一、调节并行度 　　1、性能上的调优主要注重一下几点： 　　　　Excutor的数量 　　　　每个Excutor所分配的CPU的数量 　　　　每个Excutor所能分配的内存量 　　　　Driver端分配的内存数量 　　2、如何分配资源 ...

数据接收并行度调优（一） 通过网络接收数据时（比如Kafka、Flume），会将数据反序列化，并存储在Spark的内存中。如果数据接收称为系统的瓶颈，那么可以考虑并行化数据接收。 每一个输入DStream都会在某个Worker的Executor上启动一个Receiver ...

spark作业性能调优 优化的目标 保证大数据量下任务运行成功 降低资源消耗 提高计算性能 一、开发调优： （1）避免创建重复的RDD RDD lineage，也就是“RDD的血缘关系链” 开发RDD lineage极其冗长的Spark作业时，创建多个代表 ...