spark调优

避免创建重复的RDD
尽可能复用同一个RDD
对多次使用的RDD进行持久化
尽量避免使用shuffle类的算子
使用map-side预聚合的shuffle操作
使用高性能的算子
广播大变量，如果变量很小，不广播也可以
使用Kryo优化序列化性能
优化数据结构
使用高性能的库fastutil

对多次使用的RDD进行持久化

如何选择一种最合适的持久化策略

1. 默认情况下，性能最高的当然是MEMORY_ONLY，但前提是你的内存必须足够足够大， 可以绰绰有余地存放下整个RDD的所有数据。因为==不进行序列化与反序列化==操作，就避免了这部分的性能开销;对这个RDD的后续算子操作，都是基于纯内存中的数据的操作 ，不需要从磁盘文件中读取数据，性能也很高;而且不需要复制一份数据副本，并远程传送到其他节点上。但是这里必须要注意的是，在实际的生产环境中，恐怕能够直接用这种 策略的场景还是有限的，如果RDD中数据比较多时(比如几十亿)，直接用这种持久化级别，会导致JVM的OOM内存溢出异常。
2. 如果使用MEMORY_ONLY级别时发生了内存溢出，那么建议尝试使用 MEMORY_ONLY_SER级别。该级别会将RDD数据序列化后再保存在内存中，此时每个 partition仅仅是一个字节数组而已，大大减少了对象数量，并降低了内存占用。这种级别比MEMORY_ONLY多出来的性能开销，主要就是序列化与反序列化的开销。但是后续算 子可以基于纯内存进行操作，因此性能总体还是比较高的。此外，可能发生的问题同上， 如果RDD中的数据量过多的话，还是可能会导致OOM内存溢出的异常。

对多次使用的RDD进行持久化

如何选择一种最合适的持久化策略

如果纯内存的级别都无法使用，那么建议使用MEMORY_AND_DISK_SER策略，而不是 MEMORY_AND_DISK策略。因为既然到了这一步，就说明RDD的数据量很大，内存无法完全放下。序列化后的数据比较少，可以节省内存和磁盘的空间开销。同时该策略会优先尽量尝试将数据缓存在内存中，内存缓存不下才会写入磁盘。
通常不建议使用DISK_ONLY和后缀为_2的级别:因为完全基于磁盘文件进行数据的读写，会导致性能急剧降低，有时还不如重新计算一次所有RDD。后缀为_2的级别，必须将所有数据都复制一份副本，并发送到其他节点上，数据复制以及网络传输会导致较大的性能开销，除非是要求作业的高可用性，否则不建议使用。

使用高性能的算子

1. 使用reduceByKey/aggregateByKey替代groupByKey

reduceByKey/aggregateByKey替代groupByKey计算同一组内最大值以及平均值

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD

/**
  * @author 郭帅帅
  *         @2022-01-08-21:25
  *
  */
object Demo5TestKyro {

    /**
      * 使用kryo序列化方式代替默认序列化方式（objectOutPutStream/objectInPutStream）
      * 性能提高10倍
      *
      *
      * spark  三个地方涉及到序列化
      *
      * 1、算子里面用到可外部变量
      * 2、RDD 类型为自定义类型，同时使用checkpoint 或者  使用shuffle类算子的时候会产生序列化
      * 3、 cache  SER
      */
    def main(args: Array[String]): Unit = {
      val conf: SparkConf = new SparkConf()
        .setMaster("local")
        .setAppName("app")
        //序列化方式

        .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
        //指定注册序列化的类，自定义
        .set("spark.kryo.registrator", "com.shujia.optimize.MyRegisterKryo")


      val sc: SparkContext = new SparkContext(conf)

      sc.setCheckpointDir("Spark/data/stu/checkpoint")

      val data: RDD[String] = sc.textFile("Spark/data/stu/students.txt")

      /**
        * 自定义对象比字符串赵勇内存更多
        * 因为自定义对象由对象头信息
        *
        */

      var stuRDD: RDD[Student] = data
        .map(_.split(","))
        .map(line => Student(line(0), line(1), line(2).toInt, line(3), line(4)))


      ///checkpoint  产生序列化
      stuRDD.checkpoint()

      //shuffle 类算子产生序列化
      stuRDD.map(s => (s.id, s)).groupByKey().foreach(println)


      //    //对RDD  持久化会产生序列化
      //    stuRDD = stuRDD.persist(StorageLevel.MEMORY_AND_DISK_SER)
      //
      //
      //    stuRDD.foreach(println)

      while (true) {

      }
    }
    case class Student(id: String, name: String, age: Int, gender: String, clazz: String)
}

-- MyRegisterKryo 

import com.twitter.chill.Kryo
import optimize.Demo5TestKyro.Student
import org.apache.spark.serializer.KryoRegistrator

class MyRegisterKryo {


  class MyRegisterKryo extends KryoRegistrator {
    //注册类
    override def registerClasses(kryo: Kryo): Unit = {
      //注册Student类
      //注册之后student类序列化的时候就会使用kryo
      //classOf 获取类对象
      kryo.register(classOf[Student])
      kryo.register(classOf[Int])
      kryo.register(classOf[String])
      //可以同时注册多个
      //    kryo.register()
    }

}

优化数据结构

Java中，有三种类型比较耗费内存:

对象，每个Java对象都有对象头、引用等额外的信息，因此比较占用内存空间。
字符串，每个字符串内部都有一个字符数组以及长度等额外信息。
集合类型，比如HashMap、LinkedList等，因为集合类型内部通常会使用一些内部类来封装集合元素，比如Map.Entry。
因此Spark官方建议，在Spark编码实现中，特别是对于算子函数中的代码，尽量不要使用上述三种数据结构，尽量使用字符串替代对象，使用原始类型(比如 Int、Long)替代字符串，使用数组替代集合类型，这样尽可能地减少内存占用，从而降低GC频率，提升性能。

使用高性能的库fastutil

fastutil介绍:

fastutil是扩展了Java标准集合框架(Map、List、Set;HashMap、ArrayList、 HashSet)的类库，提供了特殊类型的map、set、list和queue;
fastutil能够提供更小的内存占用，更快的存取速度;我们使用fastutil提供的集合类，来替代自己平时使用的JDK的原生的Map、List、Set，好处在于，fastutil集合类，可以减小内存的占用，并且在进行集合的遍历、根据索引(或者key)获取元素的值和设置元素的值的时候，提供更快的存取速度;
fastutil最新版本要求Java 7以及以上版本;
fastutil的每一种集合类型，都实现了对应的Java中的标准接口(比如fastutil的map，实现了Java的Map接口)，因此可以直接放入已有系统的任何代码中。
fastutil的每一种集合类型，都实现了对应的Java中的标准接口(比如fastutil的 map，实现了Java的Map接口)，因此可以直接放入已有系统的任何代码中。
使用?

导入依赖