1基本概念和原則
每一臺host上面可以并行N個worker，每一個worker下面可以并行M個executor，task們會被分配到executor上面去執行，Stage指的是一組并行運行的task，stage內部是不能出現shuffle的，因為shuffle的就像籬笆一樣阻止了并行task的運行，遇到shuffle就意味著到了stage的邊界，
CPU的core數量，每個executor可以占用一個或多個core，可以通過觀察CPU的使用率變化來了解計算資源的使用情況，例如，很常見的一種浪費是一個executor占用了多個core，但是總的CPU使用率卻不高（因為一個executor并不總能充分利用多核的能力），這個時候可以考慮讓一個executor占用更少的core，同時worker下面增加更多的executor，或者一臺host上面增加更多的worker來增加并行執行的executor的數量，從而增加CPU利用率，但是增加executor的時候需要考慮好記憶體消耗，因為一臺機器的記憶體分配給越多的executor，每個executor的記憶體就越小，以致出現過多的資料spill over甚至out of memory的情況，
partition和parallelism，partition指的就是資料分片的數量，每一次task只能處理一個partition的資料，這個值太小了會導致每片資料量太大，導致記憶體壓力，或者諸多executor的計算能力無法利用充分；但是如果太大了則會導致分片太多，執行效率降低，在執行action型別操作的時候（比如各種reduce操作），partition的數量會選擇parent RDD中最大的那一個，而parallelism則指的是在RDD進行reduce類操作的時候，默認回傳資料的paritition數量（而在進行map類操作的時候，partition數量通常取自parent RDD中較大的一個，而且也不會涉及shuffle，因此這個parallelism的引數沒有影響），所以說，這兩個概念密切相關，都是涉及到資料分片的，作用方式其實是統一的，通過spark.default.parallelism可以設定默認的分片數量，而很多RDD的操作都可以指定一個partition引數來顯式控制具體的分片數量，
看這樣幾個例子：
（1）實踐中跑的Spark job，有的特別慢，查看CPU利用率很低，可以嘗試減少每個executor占用CPU core的數量，增加并行的executor數量，同時配合增加分片，整體上增加了CPU的利用率，加快資料處理速度，
（2）發現某job很容易發生記憶體溢位，我們就增大分片數量，從而減少了每片資料的規模，同時還減少并行的executor數量，這樣相同的記憶體資源分配給數量更少的executor，相當于增加了每個task的記憶體分配，這樣運行速度可能慢了些，但是總比OOM強，
（3）資料量特別少，有大量的小檔案生成，就減少檔案分片，沒必要創建那么多task，這種情況，如果只是最原始的input比較小，一般都能被注意到；但是，如果是在運算程序中，比如應用某個reduceBy或者某個filter以后，資料大量減少，這種低效情況就很少被留意到，
最后再補充一點，隨著引數和配置的變化，性能的瓶頸是變化的，在分析問題的時候不要忘記，例如在每臺機器上部署的executor數量增加的時候，性能一開始是增加的，同時也觀察到CPU的平均使用率在增加；但是隨著單臺機器上的executor越來越多，性能下降了，因為隨著executor的數量增加，被分配到每個executor的記憶體數量減小，在記憶體里直接操作的越來越少，spill over到磁盤上的資料越來越多，自然性能就變差了，
下面給這樣一個直觀的例子，當前總的cpu利用率并不高
其次，涉及性能調優我們經常要改配置，在Spark里面有三種常見的配置方式，雖然有些引數的配置是可以互相替代，但是作為最佳實踐，還是需要遵循不同的情形下使用不同的配置：
1.設定環境變數，這種方式主要用于和環境、硬體相關的配置；
2.命令列引數，這種方式主要用于不同次的運行會發生變化的引數，用雙橫線開頭；
3.代碼里面（比如Scala）顯式設定（SparkConf物件），這種配置通常是application級別的配置，一般不改變，
舉一個配置的具體例子，slave、worker和executor之間的比例調整，我們經常需要調整并行的executor的數量，那么簡單說有兩種方式：
1.每個worker內始終跑一個executor，但是調整單臺slave上并行的worker的數量，比如，SPARK_WORKER_INSTANCES可以設定每個slave的worker的數量，但是在改變這個引數的時候，比如改成2，一定要相應設定SPARK_WORKER_CORES的值，讓每個worker使用原有一半的core，這樣才能讓兩個worker一同作業；
2.每臺slave內始終只部署一個worker，但是worker內部署多個executor，我們是在YARN框架下采用這個調整來實作executor數量改變的，一種典型辦法是，一個host只跑一個worker，然后配置spark.executor.cores為host上CPU core的N分之一，同時也設定spark.executor.memory為host上分配給Spark計算記憶體的N分之一，這樣這個host上就能夠啟動N個executor，
有的配置在不同的MR框架/工具下是不一樣的，比如YARN下有的引數的默認取值就不同，這點需要注意，
明確這些基礎的事情以后，再來一項一項看性能調優的要點.
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/228944.html
標籤：大數據
上一篇：Spark性能優化指南-美團
下一篇：Spark-2-性能監控方式