Spark性能优化主要分为：

  1. 开发调优
  2. 资源调优
  3. 数据倾斜调优
  4. shuffle调优

在开发完Spark作业之后，就该为作业配置合适的资源了

资源参数设置的不合理，可能会导致没有充分利用集群资源，作业运行会极其缓慢；或者设置的资源过大，队列没有足够的资源来提供，进而导致各种异常

本篇罗列资源调优的注意事项

1. 引言

建议先了解 Spark作业基本运行原理 和 Spark内存模型
参考：

尤其注意区分 Spark1.6.0 之后 内存默认为统一管理（Unified Memory Manager）方式，不再是 静态管理（Static Memory Manager）方式，在针对内存资源做参数配置是要注意区分 当前的内存管理策略

2. 资源参数调优

2.1 num-executors

参数说明：该参数用于设置 Spark 作业总共要用多少个 Executor 进程来执行

Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照你的设置来在集群的各个工作节点上，启动相应数量的Executor进程

这个参数非常重要，如果不设置的话，默认只会给你启动少量的Executor进程，此时你的Spark作业的运行速度是非常慢的

参数调优建议：根据业务复杂性和现有资源情况设置（50~100个左右），设置太少或太多的Executor进程都不好。设置的太少，无法充分利用集群资源；设置的太多的话，大部分队列可能无法给予充分的资源

2.2 executor-memory

参数说明：该参数用于设置每个Executor进程的内存

Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关联。

参数调优建议：每个Executor进程的内存设置4G~8G较为合适。

但是这只是一个参考值，具体的设置还是得根据不同部门的资源队列来定

可以看看自己团队的资源队列的最大内存限制是多少，num-executors乘以executor-memory，是不能超过队列的最大内存量的

此外，如果你是跟团队里其他人共享这个资源队列，那么申请的内存量最好不要超过资源队列最大总内存的1/3~1/2，避免你自己的Spark作业占用了队列所有的资源，导致别人的作业无法运行

2.3 executor-cores

参数说明：该参数用于设置每个Executor进程的CPU core数量

这个参数决定了每个Executor进程并行执行task线程的能力

因为每个CPU core同一时间只能执行一个task线程，因此每个Executor进程的CPU core数量越多，越能够快速地执行完分配给自己的所有task线程

参数调优建议：Executor的CPU core数量设置为2~4个较为合适

同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core限制是多少，再依据设置的Executor数量，来决定每个Executor进程可以分配到几个CPU core

同样建议，如果是跟他人共享这个队列，那么num-executors * executor-cores不要超过队列总CPU core的1/3~1/2左右比较合适，也是避免影响其他同学的作业运行。最好的应该就是一个cpu core对应两到三个task（官方建议）

2.4 driver-memory

参数说明：该参数用于设置Driver进程的内存

参数调优建议：Driver的内存通常来说不设置，或者设置1G左右应该就够了

唯一需要注意的一点是，如果需要使用collect算子将RDD的数据全部拉取到Driver上进行处理，那么必须确保Driver的内存足够大，否则会出现OOM内存溢出的问题

我们的生产配置：

  1. spark.driver.cores 2
  2. spark.driver.memory 2048m
2.5 spark.default.parallelism

参数说明：该参数用于设置每个stage的默认task数量

这个参数极为重要，如果不设置可能会直接影响你的Spark作业性能

一个分区对应一个task，也就是这个参数其实就是设置task的数量

参数调优建议：num-executors * executor-cores的2~3倍（官网）

2.6 storage内存、execution内存、other内存分配配置

Spark在一个executor中的内存分为3块：storage内存、execution内存、other内存。

  1. storage内存：存储 broadcast，cache，persist数据
  2. execution内存：执行内存，join、aggregate、map等 shuffle中间结果都缓存在这部分内存中，满了再写入磁盘，能够减少IO，其实map过程也是在这个内存中执行的
  3. other内存：程序代码执行时预留给自己的内存

其中，execution 和 storage 是Spark的 Executor 中内存的占用大户，other占用内存相对少很多

【spark1.6.0之前版本】

spark1.6.0之前版本，execution 和 storage 的内存分配是独立配置的，使用的参数配置分别是：

spark.storage.memoryFraction：storage内存占Executor总内存比例，default 0.6
spark.shuffle.memoryFraction：execution内存占Executor总内存比例，default 0.2

spark1.6.0之前版本，上述两块内存是互相隔离的，无法空闲借用。这就导致了Executor的内存利用率不高，而且需要根据Application的具体情况，使用者自己来调节这两个参数优化Spark的内存使用。

【spark1.6.0及之后版本】

spark1.6.0及之后版本，execution内存和storage内存支持合并配置，使用的参数配置分别是：

spark.memory.fraction：“execution内存+storage内存” 占Executor总内存比例，default 0.6
spark.memory.storageFraction：storage内存 默认 占Executor总内存比例，default 0.5

storage内存如果运行时不够用，且execution内存有空闲，可以借用execution内存，反之不行

execution内存 和 storage内存 可以相互借用，提高了内存的Spark中内存的使用率，同时也减少了OOM的情况