漫画全面解释Spark企业调优点

Posted 2021-04-27 浪尖聊大数据

一：资源配置

一般企业中，物理机器的cpu:内存基本上都是1:4+，比如机器24core，一般有128GB及以上内存；48core，一般有256GB及以上内存。

减去系统及hdfs所需core，2个吧；减去系统的2-4GB，减去存储hdfs的相关的假设20GB吧(hbase需要的更多点，但是一般hbase会有独立集群)。

24core，128GB的机器应该还剩还有20core，100GB。

这种情况下，很明显，你1core对应5GB内存才能最大化利用机器，否则往往cpu没了，内存还有大把，应用还容易出现gc问题。

所以，假设你的业务cpu确实消耗比较少，可以在配置yarn的时候虚拟cpu可以设置为物理cpu的n倍。这样才可以满足小白，1:1的分配cpu内存的需求。

yarn.nodemanager.resource.cpu-vcores 

二：数据倾斜

1.对于离线，任务生成文件的时候，可以采用支持分割的压缩算法。常见的压缩算法如下：

对于离线，任务生成文件的时候，也可以合理控制生成文件的大小，落地之前进行均衡。

2.对于实时，生产者生产数据到kafka的时候，进行均衡，一般可以采取随机或者轮训的生产。假设要保证相同用户的数据到相同的分区，也可以对实用hash的方式。

1.遇到shuffle过程中数据倾斜的时候，往往需要做的第一件事情就是增大shuffle并行度，只要不是key过于集中与某一个或者几个key都会有效。

2.假设key过于集中，有以下几个策略可以用来改善：

2.1 先跑采样wordcount，看看key的集中情况。

2.2 个别key特别大，可以拿出来单独处理。

2.2 一堆key特别大，可以如下操作：

key加随机后缀，分两次进行聚合，比如随机后缀的范围是0-100，相当于并行度扩大了100倍，最后再聚合一次即可。

2.3 join的时候key倾斜。

• 大表 join 小表，广播小表。

• 大表 join 大表，预先治理，采用相同分桶策略，使得同一个task完成join，减少数据shuffle传输。后面案例详解。

三：大状态

1.用户自己管理的大状态。

    1.1 超时，可以使用具有超时功能的超时的map，如caffeine。

    1.2 确认状态是不是可以进行分区缓存。

    1.3 换外部内存存储，如redis，alluxio。

2.updateStateBykey等算子。

   2.1 设置超时时间，spark新版本都支持了，之前版本需要自己维护超时时间。

   2.2 换外部内存存储，如redis，alluxio。

四：大对象

如下面一段代码：

distData.foreach(each=>{ val map = new mutable.HashMap[String,Int](); map.put("key",2) // 逻辑处理 map.clear(); // 不要忘了哦 })

假设处理的数据量大，每条数据区new map而不执行clear清空，等垃圾回收，数据量大的时候，就会超级耗费性能，java或者scala的集合都要排查下。