RDD運算元調優
不廢話，直接進入正題！
1. RDD複用
在對RDD進行運算元時，要避免相同的運算元和計算邏輯之下對RDD進行重複的計算，如下圖所示：
對上圖中的RDD計算架構進行修改，得到如下圖所示的優化結果：
2. 儘早filter
獲取到初始RDD後，應該考慮儘早地過濾掉不需要的資料，進而減少對記憶體的佔用，從而提升Spark作業的執行效率。
本文首發於公眾號：五分鐘學大資料，歡迎圍觀
3. 讀取大量小檔案-用wholeTextFiles
當我們將一個文字檔案讀取為 RDD 時，輸入的每一行都會成為RDD的一個元素。
也可以將多個完整的文字檔案一次性讀取為一個pairRDD，其中鍵是檔名，值是檔案內容。
val input:RDD[String] = sc.textFile("dir/*.log")
如果傳遞目錄，則將目錄下的所有檔案讀取作為RDD。檔案路徑支援萬用字元。
但是這樣對於大量的小檔案讀取效率並不高，應該使用 wholeTextFiles
返回值為RDD[(String, String)]，其中Key是檔案的名稱，Value是檔案的內容。
def wholeTextFiles(path: String, minPartitions: Int = defaultMinPartitions): RDD[(String, String)])
wholeTextFiles讀取小檔案:
val filesRDD: RDD[(String, String)] =
sc.wholeTextFiles("D:\\data\\files", minPartitions = 3)
val linesRDD: RDD[String] = filesRDD.flatMap(_._2.split("\\r\\n"))
val wordsRDD: RDD[String] = linesRDD.flatMap(_.split(" "))
wordsRDD.map((_, 1)).reduceByKey(_ + _).collect().foreach(println)
4. mapPartition和foreachPartition
- mapPartitions
map(_....) 表示每一個元素
mapPartitions(_....) 表示每個分割槽的資料組成的迭代器
普通的map運算元對RDD中的每一個元素進行操作，而mapPartitions運算元對RDD中每一個分割槽進行操作。
如果是普通的map運算元，假設一個partition有1萬條資料，那麼map運算元中的function要執行1萬次，也就是對每個元素進行操作。
如果是mapPartition運算元，由於一個task處理一個RDD的partition，那麼一個task只會執行一次function，function一次接收所有的partition資料，效率比較高。
比如，當要把RDD中的所有資料通過JDBC寫入資料，如果使用map運算元，那麼需要對RDD中的每一個元素都建立一個資料庫連線，這樣對資源的消耗很大，如果使用mapPartitions運算元，那麼針對一個分割槽的資料，只需要建立一個資料庫連線。
mapPartitions運算元也存在一些缺點：對於普通的map操作，一次處理一條資料，如果在處理了2000條資料後記憶體不足，那麼可以將已經處理完的2000條資料從記憶體中垃圾回收掉；但是如果使用mapPartitions運算元，但資料量非常大時，function一次處理一個分割槽的資料，如果一旦記憶體不足，此時無法回收記憶體，就可能會OOM，即記憶體溢位。
因此，mapPartitions運算元適用於資料量不是特別大的時候，此時使用mapPartitions運算元對效能的提升效果還是不錯的。（當資料量很大的時候，一旦使用mapPartitions運算元，就會直接OOM）
在專案中，應該首先估算一下RDD的資料量、每個partition的資料量，以及分配給每個Executor的記憶體資源，如果資源允許，可以考慮使用mapPartitions運算元代替map。
- foreachPartition
rrd.foreache(_....) 表示每一個元素
rrd.forPartitions(_....) 表示每個分割槽的資料組成的迭代器
在生產環境中，通常使用foreachPartition運算元來完成資料庫的寫入，通過foreachPartition運算元的特性，可以優化寫資料庫的效能。
如果使用foreach運算元完成資料庫的操作，由於foreach運算元是遍歷RDD的每條資料，因此，每條資料都會建立一個資料庫連線，這是對資源的極大浪費，因此，對於寫資料庫操作，我們應當使用foreachPartition運算元。
與mapPartitions運算元非常相似，foreachPartition是將RDD的每個分割槽作為遍歷物件，一次處理一個分割槽的資料，也就是說，如果涉及資料庫的相關操作，一個分割槽的資料只需要建立一次資料庫連線，如下圖所示：
使用了foreachPartition 運算元後，可以獲得以下的效能提升：
- 對於我們寫的function函式，一次處理一整個分割槽的資料；
- 對於一個分割槽內的資料，建立唯一的資料庫連線；
- 只需要向資料庫傳送一次SQL語句和多組引數；
在生產環境中，全部都會使用foreachPartition運算元完成資料庫操作。foreachPartition運算元存在一個問題，與mapPartitions運算元類似，如果一個分割槽的資料量特別大，可能會造成OOM，即記憶體溢位。
5. filter+coalesce/repartition(減少分割槽)
在Spark任務中我們經常會使用filter運算元完成RDD中資料的過濾，在任務初始階段，從各個分割槽中載入到的資料量是相近的，但是一旦進過filter過濾後，每個分割槽的資料量有可能會存在較大差異，如下圖所示：
根據上圖我們可以發現兩個問題：
-
每個partition的資料量變小了，如果還按照之前與partition相等的task個數去處理當前資料，有點浪費task的計算資源；
-
每個partition的資料量不一樣，會導致後面的每個task處理每個partition資料的時候，每個task要處理的資料量不同，這很有可能導致資料傾斜問題。
如上圖所示，第二個分割槽的資料過濾後只剩100條，而第三個分割槽的資料過濾後剩下800條，在相同的處理邏輯下，第二個分割槽對應的task處理的資料量與第三個分割槽對應的task處理的資料量差距達到了8倍，這也會導致執行速度可能存在數倍的差距，這也就是資料傾斜問題。
針對上述的兩個問題，我們分別進行分析：
-
針對第一個問題，既然分割槽的資料量變小了，我們希望可以對分割槽資料進行重新分配，比如將原來4個分割槽的資料轉化到2個分割槽中，這樣只需要用後面的兩個task進行處理即可，避免了資源的浪費。
-
針對第二個問題，解決方法和第一個問題的解決方法非常相似，對分割槽資料重新分配，讓每個partition中的資料量差不多，這就避免了資料傾斜問題。
那麼具體應該如何實現上面的解決思路？我們需要coalesce運算元。
repartition與coalesce都可以用來進行重分割槽，其中repartition只是coalesce介面中shuffle為true的簡易實現，coalesce預設情況下不進行shuffle，但是可以通過引數進行設定。
假設我們希望將原本的分割槽個數A通過重新分割槽變為B，那麼有以下幾種情況：
-
A > B（多數分割槽合併為少數分割槽）
-
A與B相差值不大
此時使用coalesce即可，無需shuffle過程。
-
A與B相差值很大
此時可以使用coalesce並且不啟用shuffle過程，但是會導致合併過程效能低下，所以推薦設定coalesce的第二個引數為true，即啟動shuffle過程。
-
-
A < B（少數分割槽分解為多數分割槽）
此時使用repartition即可，如果使用coalesce需要將shuffle設定為true，否則coalesce無效。
我們可以在filter操作之後，使用coalesce運算元針對每個partition的資料量各不相同的情況，壓縮partition的數量，而且讓每個partition的資料量儘量均勻緊湊，以便於後面的task進行計算操作，在某種程度上能夠在一定程度上提升效能。
注意：local模式是程式內模擬叢集執行，已經對並行度和分割槽數量有了一定的內部優化，因此不用去設定並行度和分割槽數量。
6. 並行度設定
Spark作業中的並行度指各個stage的task的數量。
如果並行度設定不合理而導致並行度過低，會導致資源的極大浪費，例如，20個Executor，每個Executor分配3個CPU core，而Spark作業有40個task，這樣每個Executor分配到的task個數是2個，這就使得每個Executor有一個CPU core空閒，導致資源的浪費。
理想的並行度設定，應該是讓並行度與資源相匹配，簡單來說就是在資源允許的前提下，並行度要設定的儘可能大，達到可以充分利用叢集資源。合理的設定並行度，可以提升整個Spark作業的效能和執行速度。
Spark官方推薦，task數量應該設定為Spark作業總CPU core數量的2~3倍。之所以沒有推薦task數量與CPU core總數相等，是因為task的執行時間不同，有的task執行速度快而有的task執行速度慢，如果task數量與CPU core總數相等，那麼執行快的task執行完成後，會出現CPU core空閒的情況。如果task數量設定為CPU core總數的2~3倍，那麼一個task執行完畢後，CPU core會立刻執行下一個task，降低了資源的浪費，同時提升了Spark作業執行的效率。
Spark作業並行度的設定如下：
val conf = new SparkConf().set("spark.default.parallelism", "500")
原則：讓 cpu 的 Core（cpu 核心數） 充分利用起來，
如有100個 Core,那麼並行度可以設定為200~300。
7. repartition/coalesce調節並行度
我們知道 Spark 中有並行度的調節策略，但是，並行度的設定對於Spark SQL是不生效的，使用者設定的並行度只對於Spark SQL以外的所有Spark的stage生效。
Spark SQL的並行度不允許使用者自己指定，Spark SQL自己會預設根據hive表對應的HDFS檔案的split個數自動設定Spark SQL所在的那個stage的並行度，使用者自己通 spark.default.parallelism 引數指定的並行度，只會在沒Spark SQL的stage中生效。
由於Spark SQL所在stage的並行度無法手動設定，如果資料量較大，並且此stage中後續的transformation操作有著複雜的業務邏輯，而Spark SQL自動設定的task數量很少，這就意味著每個task要處理為數不少的資料量，然後還要執行非常複雜的處理邏輯，這就可能表現為第一個有Spark SQL的stage速度很慢，而後續的沒有Spark SQL的stage執行速度非常快。
為了解決Spark SQL無法設定並行度和task數量的問題，我們可以使用repartition運算元。
repartition 運算元使用前後對比圖如下：
Spark SQL這一步的並行度和task數量肯定是沒有辦法去改變了，但是，對於Spark SQL查詢出來的RDD，立即使用repartition運算元，去重新進行分割槽，這樣可以重新分割槽為多個partition，從repartition之後的RDD操作，由於不再涉及Spark SQL，因此stage的並行度就會等於你手動設定的值，這樣就避免了Spark SQL所在的stage只能用少量的task去處理大量資料並執行復雜的演算法邏輯。使用repartition運算元的前後對比如上圖所示。
8. reduceByKey本地預聚合
reduceByKey相較於普通的shuffle操作一個顯著的特點就是會進行map端的本地聚合，map端會先對本地的資料進行combine操作，然後將資料寫入給下個stage的每個task建立的檔案中，也就是在map端，對每一個key對應的value，執行reduceByKey運算元函式。
reduceByKey運算元的執行過程如下圖所示：
使用reduceByKey對效能的提升如下：
- 本地聚合後，在map端的資料量變少，減少了磁碟IO，也減少了對磁碟空間的佔用；
- 本地聚合後，下一個stage拉取的資料量變少，減少了網路傳輸的資料量；
- 本地聚合後，在reduce端進行資料快取的記憶體佔用減少；
- 本地聚合後，在reduce端進行聚合的資料量減少。
基於reduceByKey的本地聚合特徵，我們應該考慮使用reduceByKey代替其他的shuffle運算元，例如groupByKey。
groupByKey與reduceByKey的執行原理如下圖1和圖2所示：
根據上圖可知，groupByKey不會進行map端的聚合，而是將所有map端的資料shuffle到reduce端，然後在reduce端進行資料的聚合操作。由於reduceByKey有map端聚合的特性，使得網路傳輸的資料量減小，因此效率要明顯高於groupByKey。
9. 使用持久化+checkpoint
Spark持久化在大部分情況下是沒有問題的，但是有時資料可能會丟失，如果資料一旦丟失，就需要對丟失的資料重新進行計算，計算完後再快取和使用，為了避免資料的丟失，可以選擇對這個RDD進行checkpoint，也就是將資料持久化一份到容錯的檔案系統上（比如HDFS）。
一個RDD快取並checkpoint後，如果一旦發現快取丟失，就會優先檢視checkpoint資料存不存在，如果有，就會使用checkpoint資料，而不用重新計算。也即是說，checkpoint可以視為cache的保障機制，如果cache失敗，就使用checkpoint的資料。
使用checkpoint的優點在於提高了Spark作業的可靠性，一旦快取出現問題，不需要重新計算資料，缺點在於，checkpoint時需要將資料寫入HDFS等檔案系統，對效能的消耗較大。
持久化設定如下：
sc.setCheckpointDir(‘HDFS’)
rdd.cache/persist(memory_and_disk)
rdd.checkpoint
10. 使用廣播變數
預設情況下，task中的運算元中如果使用了外部的變數，每個task都會獲取一份變數的複本，這就造成了記憶體的極大消耗。一方面，如果後續對RDD進行持久化，可能就無法將RDD資料存入記憶體，只能寫入磁碟，磁碟IO將會嚴重消耗效能；另一方面，task在建立物件的時候，也許會發現堆記憶體無法存放新建立的物件，這就會導致頻繁的GC，GC會導致工作執行緒停止，進而導致Spark暫停工作一段時間，嚴重影響Spark效能。
假設當前任務配置了20個Executor，指定500個task，有一個20M的變數被所有task共用，此時會在500個task中產生500個副本，耗費叢集10G的記憶體，如果使用了廣播變數， 那麼每個Executor儲存一個副本，一共消耗400M記憶體，記憶體消耗減少了5倍。
廣播變數在每個Executor儲存一個副本，此Executor的所有task共用此廣播變數，這讓變數產生的副本數量大大減少。
在初始階段，廣播變數只在Driver中有一份副本。task在執行的時候，想要使用廣播變數中的資料，此時首先會在自己本地的Executor對應的BlockManager中嘗試獲取變數，如果本地沒有，BlockManager就會從Driver或者其他節點的BlockManager上遠端拉取變數的複本，並由本地的BlockManager進行管理；之後此Executor的所有task都會直接從本地的BlockManager中獲取變數。
對於多個Task可能會共用的資料可以廣播到每個Executor上：
val 廣播變數名= sc.broadcast(會被各個Task用到的變數,即需要廣播的變數)
廣播變數名.value//獲取廣播變數
11. 使用Kryo序列化
預設情況下，Spark使用Java的序列化機制。Java的序列化機制使用方便，不需要額外的配置，在運算元中使用的變數實現Serializable介面即可，但是，Java序列化機制的效率不高，序列化速度慢並且序列化後的資料所佔用的空間依然較大。
Spark官方宣稱Kryo序列化機制比Java序列化機制效能提高10倍左右，Spark之所以沒有預設使用Kryo作為序列化類庫，是因為它不支援所有物件的序列化，同時Kryo需要使用者在使用前註冊需要序列化的型別，不夠方便，但從Spark 2.0.0版本開始，簡單型別、簡單型別陣列、字串型別的Shuffling RDDs 已經預設使用Kryo序列化方式了。
Kryo序列化註冊方式的程式碼如下：
public class MyKryoRegistrator implements KryoRegistrator{
@Override
public void registerClasses(Kryo kryo){
kryo.register(StartupReportLogs.class);
}
}
配置Kryo序列化方式的程式碼如下：
//建立SparkConf物件
val conf = new SparkConf().setMaster(…).setAppName(…)
//使用Kryo序列化庫
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer");
//在Kryo序列化庫中註冊自定義的類集合
conf.set("spark.kryo.registrator", "bigdata.com.MyKryoRegistrator");
本文首發於公眾號：五分鐘學大資料，回覆【666】即可獲得全套大資料筆面試教程