4个简单方法，可提高您的Apache Spark工作性能

介绍

在开发Spark应用程序时，最耗时的部分之一是优化。 在此博客文章中，我将提供一些性能提示，以及(至少对我而言)启动时可能会使用的未知配置参数。

因此，我将介绍以下主题：

• 多个小文件作为源
• 随机分区参数
• 强制广播Join
• 分区vs合并vs随机分区参数设置

我们可以改善什么?

1. 使用多个小文件?

OpenCostInBytes(来自文档)—可以同时扫描打开文件的估计成本(以字节数衡量)。 将多个文件放入分区时使用。 最好高估一下，然后，具有较小文件的分区将比具有较大文件的分区(首先安排)更快。 默认值为4MB。

spark.conf.set("spark.files.openCostInBytes", SOME_COST_IN_BYTES)

我对包含12,000个文件的1GB文件夹，包含800个文件的7.8GB文件夹和包含1.6k个文件的18GB文件夹进行了测试。 我的目的是弄清楚输入文件是否较小，最好使用低于默认值的文件。

因此，当测试1GB和7.8GB文件夹时-肯定是较低的值，但是测试大约11MB的文件时，较大的参数值会更好。

使用接近您的小文件大小的openCostInBytes大小。 这样会更有效率!

2. 随机分区

开始使用Spark时，我莫名其妙地想到了在创建Spark会话时设置的配置是不可变的。 天哪，我怎么错。

因此，通常，在进行聚集或联接时，spark分区在spark中是一个静态数字(默认为200)。 根据您的数据大小，这会导致两个问题：

• 数据集很小-200太多，数据分散且效率不高
• 数据集巨大-200太少了。 数据被浪费了，我们没有充分利用我们想要的所有资源。

因此，在遇到此类问题时遇到了一些麻烦，我在Google上花费了很多时间，发现了这个美丽的东西

1. spark.conf.set("spark.sql.shuffle.partitions", X) 

可以在运行时中途随时随地更改此整洁的配置，它会影响设置后触发的步骤。 您也可以在创建Spark会话时使用这个坏男孩。 在对联接或聚合进行数据混排时，将使用此分区数量。 还获得数据帧分区计数：

1. df.rdd.getNumPartitions() 

您可以估计最合适的混搭分区数，以进行进一步的联接和聚合。

也就是说，您有一个巨大的数据框，并且想要保留一些信息。 这样就得到了大数据帧的分区数。 将shuffle分区参数设置为此值。 这样一来，加入后就不会成为默认值200! 更多并行性-我们来了!

3. 广播Join

非常简单的情况：我们有一个庞大的表，其中包含所有用户，而我们的表中包含内部用户，质量检查人员和其他不应包含在内的用户。 目标只是离开非内部人员。

• 读两个表
• Huge_table 左防联接小表

它看起来像是一个简单且性能明智的好解决方案。 如果您的小型表小于10MB，则您的小型数据集将在没有任何提示的情况下进行广播。 如果在代码中添加提示，则可能会使它在更大的数据集上运行，但这取决于优化程序的行为。

但是，假设它是100-200MB，并且提示您不要强制广播它。 因此，如果您确信它不会影响代码的性能(或引发一些OOM错误)，则可以使用它并覆盖默认值：

1. spark.conf.set("spark.sql.autoBroadcastJoinThreshold", SIZE_OF_SMALLER_DATASET) 

在这种情况下，它将广播给所有执行者，并且加入应该工作得更快。

当心OOM错误!

（编辑：揭阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!