spark任务 全局并行度 spark并行度怎么设置

简介：
     并行度就是Spark作业中，各个stage的task数量，也就代表了Spark作业的在各个阶段（stage）的并行度。
意义：
     假设，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cpu core，也就是说你的Application任何一个stage运行的时候，都有总数在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，那么同时在运行的task，只有100个每个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。
     合理的并行度的设置应该是要设置的足够大，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。那么就应该将你的Application的并行度，至少设置成150，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要处理的数据量变少；比如总共150G的数据要处理，如果是100个task，每个task计算1.5G的数据；现在增加到150个task，可以并行运行，而且每个task主要处理1G的数据就可以。
设置依据：
      1.task数量，至少设置成与Spark application的总cpu core数量相同（最理想情况，比如总共150个cpu core，分配了150个task，一起运行差不多同一时间运行完毕）。
      2.官方是推荐，task数量设置成spark application总cpu core数量的2~3倍，比如150个cpu core，基本要设置task数量为300~500。
      3.因为实际情况，与理想情况不同的，有些task会运行的快一点，比如50s就完了，有些task可能会慢一点，要1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，可能还是会导致资源的浪费，因为比如150个task，10个先运行完了，剩余140个还在运行，但是这个时候，有10个cpu core就空闲出来了，就导致了浪费。那如果task数量设置成cpu core总数的2~3倍，那么一个task运行完了以后，另一个task马上可以补上来，就尽量让cpu core不要空闲，同时也是尽量提升spark作业运行的效率和速度，提升性能。
如何设置一个Spark Application的并行度：
    spark.default.parallelism
    SparkConf conf = new SparkConf()
    conf.set("spark.default.parallelism", "500")