Spark性能调优之合理设置并行度

一时失言乱红尘 2022-01-31 05:17 475阅读 0赞

**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最大资源了，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：

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** 。 基本已经达到了集群或者yarn队列的资源上限。

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，ok，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.如何去提高并行度？**

**1、task数量，至少设置成与spark Application 的总cpu core 数量相同**（最理性情况，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. **与理性情况不同的，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150task ，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、如何设置一个Spark Application的并行度？**

**spark.defalut.parallelism**   **默认是没有值的，如果设置了值比如说10，是在shuffle的过程才会起作用**（val rdd2 = rdd1.reduceByKey(\_+\_) //rdd2的分区数就是10，rdd1的分区数不受这个参数的影响）

**      new SparkConf().set(“spark.defalut.parallelism”,”“500)**

** 3、如果读取的数据在HDFS上，增加block数**，默认情况下split与block是一对一的，而split又与RDD中的partition对应，所以增加了block数，也就提高了并行度。

**4、RDD.repartition**，给RDD重新设置partition的数量

**5、reduceByKey的算子指定partition的数量**

val rdd2 = rdd1.reduceByKey(\_+\_,10)  val rdd3 = rdd2.map.filter.reduceByKey(\_+\_)

** 6、**val rdd3 = rdd1.**join**（rdd2）  **rdd3里面partiiton的数量是由父RDD中最多的partition数量来决定，因此使用join算子的时候，增加父RDD中partition的数量。**

**7、spark.sql.shuffle.partitions //spark sql中shuffle过程中partitions的数量**