spark基础知识请参考spark官网：http://spark.apache.org/docs/1.2.1/quick-start.html
无论是mapreduce还是spark ,分布式框架的性能优化方向大致分为：负载均衡、网络传输和磁盘I/O 这三块。而spark是基于内存的计算框架,因此在编写应用时需要充分利用其内存计算特征。本篇主要针对
spark应用中的join问题进行讨论,关于集群参数的优化会在另一篇文章中提及。
在传统的数据库平台和分布式计算平台,join的性能消耗都是很可观的，对spark来说如果join的表比较大,那么在shuffle时网络及磁盘压力会明显提升,严重时可能会造成excutor失败导致任务无法进行下去,
对这种join的优化方法主要是采用map和filter来改变join的实现方式,减少shuffle阶段的网络和磁盘I/O。下面以表的数据量大小分两部分来讨论。
大表：数据量较大的表
小表：数据量较小的表
一、大表与小表之间的join
这种join是大部分业务场景的主要join方式,将小表以broadcast的形式分发到每个executor后对大表进行filter操作,以下对每种join进行示例说明(兼容表中ID不唯一的情况)。
1、leftOuterJoin
>>>d1=sc.parallelize([(1,2),(2,3),(2,4),(3,4)])
>>>d2=sc.parallelize([(1,'a'),(2,'b'),(1,'d'),(5,'2')])
原生实现方式：
>>>d1.leftOuterJoin(d2).collect()
>>>[(1, (2, 'a')), (1, (2, 'd')), (2, (4, 'b')), (2, (3, 'b')), (3, (4, None))]
map实现方式(小表在右的实现方式,小表在左的情况会稍微复杂些,需要多一些操作操作,实际场景中不多见):
def doJoin(row):
result=[]
if row[1][1] is not None:
for i in row[1][1]:
result+=[(row[0],(row[1][0],i))]
else:
result+=[row]
return result
d2_map={}
for i in d2.groupByKey().collect():
d2_map[i[0]]=i[1]
d2_broadcast=sc.broadcast(d2_map)
d2_dict=d2_broadcast.value
d1.map(lambda row:(row[0],(row[1],d2_dict.get(row[0])))).flatMap(doJoin).collect()
>>>[(1, (2, 'd')), (1, (2, 'a')), (2, (3, 'b')), (2, (4, 'b')), (3, (4, None))]
2、join
这里的join指的是innerjoin即只取出匹配到的数据项,只需要在上面的实现方式中加个filter即可
d1.map(lambda row:(row[0],(row[1],d2_dict.get(row[0])))).filter(lambda row:row[1][1] is not None).flatMap(doJoin).collect()
>>>[(1, (2, 'd')), (1, (2, 'a')), (2, (3, 'b')), (2, (4, 'b'))]
二、大表与大表之间的join(Reduce-join)
大表之间的join无法通过缓存数据来达到优化目的,因此需要把优化的重点放在分区效率及key的设计上
1、join的key值尽量使用数值类型,减少分区及shuffle的操作时间,在join时数值类型的key值在匹配时更快
2、将过滤条件放在join之前,使得join的数据量尽量最少
3、在join之前将两个表按相同分区数进行重新分区
reduce-join:指将两个表按key值进行分区,相同key的数据会被分在同一个分区,最后使用mapPartition进行join操作。
4、如果需要减少分区和并行度,请使用coalesce 而非repartition 方法。
* If you are decreasing the number of partitions in this RDD, consider using `coalesce`,
* which can avoid performing a shuffle.
三、其它优化方式
1、同一份数据被多次用到,在读入时进行缓存,后面直接使用,例如配置表,如果数据量不大则进行broadcast,否则使用cache
2、尽量减少重复计算,同样的计算逻辑只计算一次
3、几个优化参数
spark.akka.frameSize 1000 集群间通信 一帧数据的大小,设置太小可能会导致通信延迟
spark.akka.timeout 100 通信等待最长时间(秒为单位)
spark.akka.heartbeat.pauses 600 心跳失败最大间隔(秒为单位)
spark.serializer org.apache.spark.serializer.KryoSerializer 序列化方式(sprak自己的实现方式)
spark.sql.autoBroadcastJoinThreshold -1 禁止自动broadcast表
spark.shuffle.consolidateFiles true shuffle 自动合并小文件
四、后续优化方向
1、内存优化：对象所占用的内存，访问对象的消耗以及垃圾回收（garbage collection)所占用的开销
2、优化数据结构
3、优化RDD存储
4、并行度