运维系列：06、Spark调优

1、垃圾回收

在conf/spark-env.sh中添加

SPARK_JAVA_OPTS=-verberos:gc -XX;+PrintGCDetails -XX:+PrintGCTimeStamps

如果发现集群耗费过多时间在垃圾回收上，可以通过spark.storage.memoryFaction调低RDD缓存的使用，这个值的默认值是0.66。

 

如果要运行的是耗时很久的Spark作业，可以通过设定spark.cleaner.ttl为一个非零值n，表示每隔n秒清理一次元数据。默认Spark不会清理任何元数据。

 

2、persist()缓存

默认都以非序列化模式存储，以节省读取数据时的反序列化开销。如：

    MEMORY_ONLY

    MEMORY_AND_DISK

    DISK_ONLY

 

如果存储级别后面添加了_SER后缀，Spark会在存储时对数据进行序列化，以节省存储空间。

    MEMORY_ONLY_SER

    MEMORY_AND_DISK_SER

    DISK_ONLY_SER

 

3、序列化

默认使用Java内置的序列化算法，建议使用KyroSerialier算法，针对性的做了优化。

可以通过spark.serializer改成org.apache.spark.KryoSerializer来切换

// TODO 实验