pyspark 执行多条with sql语句

文章目录

• 一.Spark 性能优化概述
• 二.运行环境优化

• 2.1 数据本地性
• 2.2 数据存储格式

• 三.RDD算子优化

• 3.1 尽可能复用同一个RDD
• 3.2 对多次使用的RDD进行持久化

• 四.参数微调
• 五.数据倾斜
• 参考:

一.Spark 性能优化概述

首先笔者能力优先，使用Spark有一段时间，如下是笔者的工作经验的总结。

Spark任务运行图:

Spark的优化思路:
一般是从3个层面进行Spark程序的优化:

1. 运行环境优化
2. RDD算子优化
3. 参数微调

二.运行环境优化

2.1 数据本地性

我们知道HDFS的数据文件存储在不同的datanode，一般数据副本数量是3，因为Spark计算的数据量比较大，如果数据不在本节点，需要通过网络去其它的datanode读取数据。

所以此时我们可以通过提高数据本地性，减少网络传输，来达到性能优化的目的。

1. 计算和存储同节点(executor和HDFS的datanode、hbase的region server同节点)
2. executor数目合适: 如果100个数据界定，3个计算节点，就有97份网络传递，所以此种情况可以适当增加计算节点。
3. 适当增加数据副本数量

2.2 数据存储格式

推荐使用列式存储格式: parquet.
parquet存在如下优先:

1. 相同数据类型的数据有很高压缩比
2. Hive主要支持OCR、也支持parquet

三.RDD算子优化

3.1 尽可能复用同一个RDD

每创建一个RDD都会带来性能的开销，尽可能的对同一个RDD做算子操作，而不要频繁创建新的
RDD。

3.2 对多次使用的RDD进行持久化

如果RDD的算子特别多，需要频繁多次操作同一个RDD，最好的办法是将该RDD进行持久化，

四.参数微调

1. num-executors
   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。
2. executor-cores
   参数说明：该参数用于设置每个Executor进程的CPU core数量。
3. driver-memory
   参数说明：该参数用于设置Driver进程的内存。
4. spark.default.parallelism
   参数说明：该参数用于设置每个stage的默认task数量。
5. spark.storage.memoryFraction
   参数说明：该参数用于设置RDD持久化数据在Executor内存中能占的比例，默认是0.6。
6. spark.shuffle.memoryFraction
   参数说明：该参数用于设置shuffle过程中一个task拉取到上个stage的task的输出后，进行聚合操作时能够使用的Executor内存的比例，默认是0.2。

资源参数参考示例：

./bin/spark-submit \
  --master yarn-cluster \
  --num-executors 100 \
  --executor-memory 6G \
  --executor-cores 4 \
  --driver-memory 1G \
  --conf spark.default.parallelism=1000 \
  --conf spark.storage.memoryFraction=0.5 \
  --conf spark.shuffle.memoryFraction=0.3 \

五.数据倾斜

绝大多数task执行得都非常快，但个别task执行极慢。比如，总共有1000个task，997个task都在1分钟之内执行完了，但是剩余两三个task却要一两个小时。这种情况很常见。

数据倾斜图例:

解决数据倾斜一般有如下几种常用方法:

1. 使用Hive ETL预处理数据
   先使用Hive进行预处理数据，也就是使用Hive先计算一层中间数据，Spark从中间层数据开始计算。
2. 过滤少数导致倾斜的key
   如果发生导致倾斜的key非常少，可以将Spark任务拆分为包含 导致倾斜的key的任务和不包含key的任务。
3. sample采样倾斜key单独进行join
   通过采样，提前预估会发生数据倾斜的key，然后将一个join拆分为两个join，其中一个不包含该key，一个只包含该key，最后将结果集进行union。
4. 调整并行度
   调整Shuffle并行度，数据打散
5. 广播小数据集
   适用于一个大表，一个小表
   不用join连接操作，而改用Broadcast变量与map模拟join操作，完全规避shuffle操作
   spark.sql: spark.sql.autoBroadcastJoinThreshold=104857600
6. 增加随机前缀
   对发生倾斜的RDD增加随机前缀
   对另外一个RDD等量扩容
   如果少量的key发生倾斜，可以先过滤出一个单独的RDD，对另外一个RDD同理吹，join之后再合并
7.