大数据基础---大数据调优汇总

前言

不进行优化的代码就是耍流氓。

总体来说大数据优化主要分为三点，一是充分利用CPU，二是节省内存，三是减少网络传输。

一、Hive/MapReduce调优

1.1 本地模式

Hive默认采用集群模式进行计算，如果对于小数据量，可以设置为单台机器进行计算，这样可以大大缩减查询触发任务时间。

用户可以通过设置hive.exec.mode.local.auto 的值为true，来让Hive在适当的时候自动启动这个优化。

set hive.exec.mode.local.auto=true; //开启本地 mr
//设置 local mr 的最大输入数据量，当输入数据量小于这个值时采用 local mr 的方式，
默认为 134217728，即 128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;
//设置 local mr 的最大输入文件个数，当输入文件个数小于这个值时采用 local mr 的方
式，默认为 4
set hive.exec.mode.local.auto.input.files.max=10;

1.2 null值过滤OR随机分配null值

  • null值过滤

    对于key值倾斜，有的时候是无效的null导致的，这个时候可以考虑过滤掉。

    hive (default)> insert overwrite table jointable 
select n.* from (select * from nullidtable where id is not null ) n left join ori o on n.id = 
o.id;

  • null值随机分配

    如果null不是异常数据，那么可以采用随机分配将null值分到不同分区，解决数据倾斜。

    insert overwrite table jointable
select n.* from nullidtable n full join ori o on 
case when n.id is null then concat('hive', rand()) else n.id end = o.id;

1.3 Count(distinct)去重统计优化

对于大数据量去重，可以采用分组的方式进行优化。

hive (default)> select count(id) from (select id from bigtable group by id) a;

1.4 行列过滤

对关联表进行过滤时，可以考虑在关联时就进行过滤，提高查询时间。

hive (default)> select b.id from bigtable b
join (select id from ori where id <= 10 ) o on b.id = o.id;

1.5 数据倾斜

小文件合并

set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

复杂文件增加Map数

增加 map 的方法为：根据computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M 公式，调整 maxSize 最大值。让 maxSize 最大值低于 blocksize 就可以增加 map 的个数。

设置最大切片值为100个字节

hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100;
hive (default)> select count(*) from emp;

合理设置Reduce数

  • 调整 reduce 个数方法一

    (1)每个 Reduce 处理的数据量默认是 256MB

    hive.exec.reducers.bytes.per.reducer=256000000

    (2)每个任务最大的 reduce 数，默认为 1009

    hive.exec.reducers.max=1009

    (3)计算 reducer 数的公式

  • 调整 reduce 个数方法二

    在 hadoop 的 mapred-default.xml 文件中修改，设置每个 job 的 Reduce 个数

    set mapreduce.job.reduces = 15;

1.6 并行执行

在共享集群中设置并发执行可以提高运行速度。

set hive.exec.parallel=true; //打开任务并行执行
set hive.exec.parallel.thread.number=16; //同一个 sql 允许最大并行度，默认为 8。

当然，得是在系统资源比较空闲的时候才有优势，否则，没资源，并行也起不来。

1.7 严格模式

Hive 提供了一个严格模式，可以防止用户执行那些可能意向不到的不好的影响的查询。通过设置属性 hive.mapred.mode 值为默认是非严格模式 nonstrict 。开启严格模式需要修改 hive.mapred.mode 值为 strict，开启严格模式可以禁止 3 种类型的查询

1).对于分区表，除非 where 语句中含有分区字段过滤条件来限制范围，否则不允许执行。

2).对于使用了 order by 语句的查询，要求必须使用 limit 语句。

3).限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行 JOIN 查询的时候不使用 ON 语句而是使用 where 语句，这样关系数据库的执行优化器就可以高效地将WHERE 语句转化成那个 ON 语句。

1.8 JVM重用

在小文件场景或者task特别多的情况下，执行时间都很短。JVM重用可以使用同一个JVM在同一个Job里面重复使用N次。N值在mapred-site.xml文件中进行配置。

<property>
 <name>mapreduce.job.jvm.num.tasks</name>
 <value>10</value> 
 <description>How many tasks to run per jvm. If set to -1, there is
 no limit. 
 </description>
</property>

PS：value值设置-1表示重用次数不受限制。

缺点：JVM重用会一直占用使用到的task插槽，以便进行重用，如果遇到了某个job里面的reduce task分配不均匀，导致出现某几个task占用task时间很长，其它task空闲也没法被其它job使用，只有所有的task都执行完后才会释放。

1.9 推测执行

对于某些耗时的任务，可以启动推测执行，这样就会把“拖后腿”的任务找出来，然后启动个备份任务执行相同的数据。最后选出执行最快的为最终结果。

设置开启推测执行参数：Hadoop 的 mapred-site.xml 文件中进行配置：

<property>
 <name>mapreduce.map.speculative</name>
 <value>true</value>
 <description>If true, then multiple instances of some map tasks 
 may be executed in parallel.</description>
</property>
<property>
 <name>mapreduce.reduce.speculative</name>
 <value>true</value>
 <description>If true, then multiple instances of some reduce tasks 
 may be executed in parallel.</description>
</property>

不过 hive 本身也提供了配置项来控制 reduce-side 的推测执行：

<property>
 <name>hive.mapred.reduce.tasks.speculative.execution</name>
 <value>true</value>
 <description>Whether speculative execution for reducers should be turned on. 
</description>
 </property>

PS：对于时差要求很苛刻的建议关闭掉推测执行。对于执行很长的任务也不建议开启，因为会浪费很大资源。

1.10 HDFS小文件解决方案

1）Hadoop Archive:

是一个高效地将小文件放入 HDFS 块中的文件存档工具，它能够将多个小文件打包成

一个 HAR 文件，这样就减少了 namenode 的内存使用。

2）Sequence file：

sequence file 由一系列的二进制 key/value 组成，如果 key 为文件名，value 为文件内容，

则可以将大批小文件合并成一个大文件。

3）CombineFileInputFormat：

CombineFileInputFormat 是一种新的 inputformat，用于将多个文件合并成一个单独的

split，另外，它会考虑数据的存储位置。

二、Spark调优

2.1 性能监控方式

Spark Web UI

通过 http://master:4040我们可以获得运行中的程序信息。

（1）stages和tasks调度情况；

（2）RDD大小和内存使用情况；

（3）系统环境信息；

（4）正在执行的executor信息；

设置历史服务器记录历史信息：

（1）在$SPARK_HOME/conf/spark-env.sh中设置：

export SPARK_HISTORY_OPTS="-Dspark.history.retainedApplications=50 Dspark.history.fs.logDirectory=hdfs://master01:9000/directory"

说明：spark.history.retainedApplica-tions仅显示最近50个应用。

spark.history.fs.logDirectory：Spark History Server页面只显示该路径下的信息。

（2）$SPARK_HOME/conf/spark-defaults.conf

spark.eventLog.enabled true

spark.eventLog.dir hdfs://hadoop000:8020/directory #应用在运行过程中所有的信息均记录在该属性指定的路径下

spark.eventLog.compress true

（3）HistoryServer 启动

$SPARK_HOMR/bin/start-histrory-server.sh

（4）HistoryServer 停止

$SPARK_HOMR/bin/stop-histrory-server.sh

--同样executor的logs也是查看的一个出处：

Standalone 模式：$SPARK_HOME/logs

YARN 模式：在 yarn-site.xml 文件中配置了 YARN 日志的存放位置：yarn.nodemanager.log-dirs，或使用命令获取 yarn logs -applicationId。

其它监控工具

Nmon

Jmeter

Jprofiler

2.2 调优要点

内存调优要点

1.对象占内存，优化数据结构

（1）使用对象数组以及原始类型（primitive type）数组以替代 Java 或 者 Scala 集合类（collection class)。fastutil 库为原始数据类型提供了非常方便的集合类，且兼容 Java 标准类库。

（2）尽可能地避免采用含有指针的嵌套数据结构来保存小对象。

（3）考虑采用数字 ID 或者枚举类型以便替代 String 类型的主键。

（4）如果内存少于 32GB，设置 JVM 参数-XX:+UseCom-pressedOops以便将 8 字节指针修改成 4 字节。与此同时，在 Java 7 或者更高版本，设置 JVM 参数-XX:+UseC-----ompressedStrings 以便采用 8 比特来编码每一个 ASCII 字符。

2.频繁 GC 或者 OOM

针对这种情况，首先要确定现象是发生在 Driver 端还是在 Executor 端，然后在分别处理。

Driver 端：通常由于计算过大的结果集被回收到 Driver 端导致，需要调大 Driver 端的内存解决，或者进一步减少结果集的数量。

Executor 端：

（1）以外部数据作为输入的 Stage：可以增加 partition 的数量（即 task 的数量）来减少每个 task 要处理的数据，来减少 GC 的可能性。

（2）以 shuffle 作为输入的 Stage：解决数据倾斜问题。

开启推测机制

在 spark-default.conf 中添加：spark.speculation true

推测机制与以下几个参数有关：

  1. spark.speculation.interval 100：检测周期，单位毫秒；
  2. spark.speculation.quantile 0.75：完成 task 的百分比时启动推测；
  3. spark.speculation.multiplier 1.5：比其他的慢多少倍时启动推测。

数据倾斜优化

  • 查找数据倾斜代码

    根据shuffler确定数据倾斜代码，然后通过随机取样找到倾斜数据。

    val sampledPairs = pairs.sample(false, 0.1)
val sampledWordCounts = sampledPairs.countByKey()
sampledWordCounts.foreach(println(_))

缓解/消除数据倾斜

避免数据源倾斜

比如数据源是Kafka，通常一个分区对应一个Task，所以如果分区数据不均衡，则导致spark处理不均衡。

比如数据源是Hive，如果Hive数据不均衡，也会导致Spark数据倾斜。

解决方案是预处理或者其它。

调整并行度

比如reduceByKey(1000)。如果是group by，join需要设置参数即spark.sql.shuffle.partitions，该参数代表了shuffle read task的并行度，该值默认是200，对于很多场景来说有点过小。设置完后不同的key就能分到不同的task去处理。

将join中的shuffler避免掉

针对一个大表一个小表的join操作，使用广播变量将较小的数据进行广播，这样就可以把join改为map操作。

两阶段聚合

针对RDD执行ReduceByKey等聚合shuffler算子，以及Spark Sql执行GroupByKey等聚合算子，针对数据倾斜，可以先在key前面打上随机前缀，进行聚合，然后再把前缀去掉进行聚合，有效解决值分配不均匀问题。

示例如下：

// 第一步，给 RDD 中的每个 key 都打上一个随机前缀。
JavaPairRDD<String, Long> randomPrefixRdd = rdd.mapToPair(
 new PairFunction<Tuple2<Long,Long>, String, Long>() {
 private static final long serialVersionUID = 1L;
 @Override
 public Tuple2<String, Long> call(Tuple2<Long, Long> tuple)
 throws Exception {
 Random random = new Random();
 int prefix = random.nextInt(10);
 return new Tuple2<String, Long>(prefix + "_" + tuple._1, tuple._2);
 }
 });
// 第二步，对打上随机前缀的 key 进行局部聚合。
JavaPairRDD<String, Long> localAggrRdd = randomPrefixRdd.reduceByKey(
 new Function2<Long, Long, Long>() {
 private static final long serialVersionUID = 1L;
 @Override
 public Long call(Long v1, Long v2) throws Exception {
 return v1 + v2;
 }
 });
// 第三步，去除 RDD 中每个 key 的随机前缀。
JavaPairRDD<Long, Long> removedRandomPrefixRdd = localAggrRdd.mapToPair(
 new PairFunction<Tuple2<String,Long>, Long, Long>() {
 private static final long serialVersionUID = 1L;
 @Override
 public Tuple2<Long, Long> call(Tuple2<String, Long> tuple)
 throws Exception {
 long originalKey = Long.valueOf(tuple._1.split("_")[1]);
 return new Tuple2<Long, Long>(originalKey, tuple._2);
 }
 });
// 第四步，对去除了随机前缀的 RDD 进行全局聚合。
JavaPairRDD<Long, Long> globalAggrRdd = removedRandomPrefixRdd.reduceByKey(
 new Function2<Long, Long, Long>() {
 private static final long serialVersionUID = 1L;
 @Override
 public Long call(Long v1, Long v2) throws Exception {
 return v1 + v2;
 }
 });

两阶段聚合案例

  1. 通过如下 SQL，将 id 为 9 亿到 9.08 亿共 800 万条数据的 id 转为9500048 或者 9500096，其它数据的 id 除以 100 取整。从而该数据集中，id 为 9500048 和 9500096 的数据各 400 万，其它 id 对应的数据记录数均为 100 条。这些数据存于名为 test 的表中。
  2. 对于另外一张小表 test_new，取出 50 万条数据，并将 id（递增且唯一）除以 100 取整，使得所有 id 都对应 100 条数据。
  3. 通过如下操作，实现倾斜 Key 的分散处理：
  4. 将 leftRDD 中倾斜的 key（即 9500048 与 9500096）对应的数据单独过滤出来，且加上 1 到 24 的随机前缀，并将前缀与原数据用逗号分隔（以方便之后去掉前缀）形成单独的 leftSkewRDD。
  5. 将 rightRDD 中倾斜 key 对应的数据抽取出来，并通过 flatMap 操作将该数据集中每条数据均转换为 24 条数据（每条分别加上 1 到 24 的随机前缀），形成单独的 rightSkewRDD。
  6. 将 leftSkewRDD 与 rightSkewRDD 进行 Join，并将并行度设置为 48，且 在 Join 过 程 中 将 随 机 前 缀 去 掉 ， 得 到 倾 斜 数 据集的 Join 结 果skewedJoinRDD。
  7. 将 leftRDD 中不包含倾斜 Key 的 数 据 抽 取 出 来 作 为 单 独 的leftUnSkewRDD。
  8. 对 leftUnSkewRDD 与原始的 rightRDD 进行 Join，并行度也设置为 48，得到 Join 结果 unskewedJoinRDD。
  9. 通过 union 算子将 skewedJoinRDD 与 unskewedJoinRDD 进行合并，从而得到完整的 Join 结果集。

具体实现代码如下：

public class SparkDataSkew{
 public static void main(String[] args) {
 int parallelism = 48;
 SparkConf sparkConf = new SparkConf();
 sparkConf.setAppName("SolveDataSkewWithRandomPrefix");
 sparkConf.set("spark.default.parallelism", parallelism + "");
 JavaSparkContext javaSparkContext = new JavaSparkContext(sparkConf);
 JavaPairRDD<String, String> leftRDD = 
javaSparkContext.textFile("hdfs://hadoop1:8020/apps/hive/warehouse/default/test/")
 .mapToPair((String row) -> {
 String[] str = row.split(",");
 return new Tuple2<String, String>(str[0], str[1]);
 });
 JavaPairRDD<String, String> rightRDD = 
javaSparkContext.textFile("hdfs://hadoop1:8020/apps/hive/warehouse/default/test_new/")
 .mapToPair((String row) -> {
 String[] str = row.split(",");
 return new Tuple2<String, String>(str[0], str[1]);
 });
 String[] skewedKeyArray = new String[]{"9500048", "9500096"};
 Set<String> skewedKeySet = new HashSet<String>();
 List<String> addList = new ArrayList<String>();
 for(int i = 1; i <=24; i++) {
 addList.add(i + "");
 }
 for(String key : skewedKeyArray) {
 skewedKeySet.add(key);
 }
 Broadcast<Set<String>> skewedKeys = javaSparkContext.broadcast(skewedKeySet);
 Broadcast<List<String>> addListKeys = javaSparkContext.broadcast(addList);
 JavaPairRDD<String, String> leftSkewRDD = leftRDD
 .filter((Tuple2<String, String> tuple) -> skewedKeys.value().contains(tuple._1()))
 .mapToPair((Tuple2<String, String> tuple) -> new Tuple2<String, String>((new 
Random().nextInt(24) + 1) + "," + tuple._1(), tuple._2()));
 JavaPairRDD<String, String> rightSkewRDD = rightRDD.filter((Tuple2<String, String> 
tuple) -> skewedKeys.value().contains(tuple._1()))
 .flatMapToPair((Tuple2<String, String> tuple) -> addListKeys.value().stream()
 .map((String i) -> new Tuple2<String, String>( i + "," + tuple._1(), tuple._2()))
 .collect(Collectors.toList())
 .iterator()
 );
 JavaPairRDD<String, String> skewedJoinRDD = leftSkewRDD
 .join(rightSkewRDD, parallelism)
 .mapToPair((Tuple2<String, Tuple2<String, String>> tuple) -> new Tuple2<String, 
String>(tuple._1().split(",")[1], tuple._2()._2()));
 JavaPairRDD<String, String> leftUnSkewRDD = leftRDD.filter((Tuple2<String, String> 
tuple) -> !skewedKeys.value().contains(tuple._1()));
 JavaPairRDD<String, String> unskewedJoinRDD = leftUnSkewRDD.join(rightRDD, 
parallelism).mapToPair((Tuple2<String, Tuple2<String, String>> tuple) -> new Tuple2<String, 
String>(tuple._1(), tuple._2()._2()));
 skewedJoinRDD.union(unskewedJoinRDD).foreachPartition((Iterator<Tuple2<String, 
String>> iterator) -> {
 AtomicInteger atomicInteger = new AtomicInteger();
 iterator.forEachRemaining((Tuple2<String, String> tuple) -> 
atomicInteger.incrementAndGet());
 });
 javaSparkContext.stop();
 javaSparkContext.close();
 } 
}

大表随机添加 N 种随机前缀,小表扩大 N 倍

过滤少数导致倾斜的 key

2.3 Shuffle调优

调优概述

代码开发，资源分配和数据倾斜是重中之重，除此之外，Shuffler作为一个补充，也需要学习下。

shuffler相关参数调优

  • spark.shuffle.file.buffer

    默认值：32K

    参数说明：缓冲大小，超过缓冲大小才会写入磁盘。

    调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（），从而减少 shuffle write 过程中溢写磁盘文件的次数，也就可以减少磁盘 IO 次数，进而提升性能。在实践中发现，合理调节该参数，性能会有 1%~5%的提升。

  • spark.reducer.maxSizeInFlight

    默认值:48m

    参数说明：这个 buffer 缓冲决定了每次能够拉取多少数据。

    调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如 96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

  • spark.shuffle.io.maxRetries

    默认值：3

    参数说明：拉去失败重试次数。

    调优建议：对于那些包含了特别耗时的 shuffle 操作的作业，建议增加重试最大次数（比如 60 次），以避免由于 JVM 的 full gc 或者网络不稳定等因素导致的数据拉取失败。在实践中发现，对于针对超大数据量（数十亿~上百亿）的 shuffle 过程，调节该参数可以大幅度提升稳定性。

  • spark.shuffle.io.retryWait

    默认值：5s

    参数说明：重试拉取数据的等待时间，默认是5s。

    调优建议：建议加大间隔时长（比如 60s），以增加 shuffle 操作的稳定性。

  • spark.shuffle.memoryFraction

    默认值：0.2

    参数说明：分配给聚合操作的内存比例，默认是20%。

  • spark.shuffle.manager

默认值：sort

2.4 程序开发调优

原则一：避免创建重复的 RDD

对同一个数据源不要建立多个RDD。

原则二：尽可能复用同一个 RDD

数据有包含关系的RDD能重用的就重用。

原则三：对多次使用的 RDD 进行持久化

每次你对RDD执行算子操作时，都会从源头处重新计算一遍，所以一般会采取持久化方式，这样就直接从内存取了。

对多次使用的RDD进行持久化示例：

// 如果要对一个 RDD 进行持久化，只要对这个 RDD 调用 cache()和 persist()即可。
// 正确的做法。
// cache()方法表示：使用非序列化的方式将 RDD 中的数据全部尝试持久化到内存中。
// 此时再对 rdd1 执行两次算子操作时，只有在第一次执行 map 算子时，才会将这个 rdd1 从源头处计
算一次。
// 第二次执行 reduce 算子时，就会直接从内存中提取数据进行计算，不会重复计算一个 rdd。
val rdd1 = sc.textFile("hdfs://192.168.0.1:9000/hello.txt").cache()
rdd1.map(...)
rdd1.reduce(...)
// persist()方法表示：手动选择持久化级别，并使用指定的方式进行持久化。
// 比如说，StorageLevel.MEMORY_AND_DISK_SER 表示，内存充足时优先持久化到内存中，
//内存不充足时持久化到磁盘文件中。
// 而且其中的_SER 后缀表示，使用序列化的方式来保存 RDD 数据，此时 RDD 中的每个 partition
//都会序列化成一个大的字节数组，然后再持久化到内存或磁盘中
// 序列化的方式可以减少持久化的数据对内存/磁盘的占用量，进而避免内存被持久化数据占用过多，
//从而发生频繁 GC。
val rdd1 = sc.textFile("hdfs://192.168.0.1:9000/hello.txt")
 .persist(StorageLevel.MEMORY_AND_DISK_SER)
rdd1.map(...)
rdd1.reduce(...)

原则四：尽量避免使用 shuffle 类算子

开发过程中，能避免则尽可能避免使用 reduceByKey、join、distinct、repartition 等会进行 shuffle 的算子，尽量使用 map 类的非shuffle 算子。这样的话，没有 shuffle 操作或者仅有较少 shuffle 操作的Spark 作业，可以大大减少性能开销。

Broadcast 与 map 进行 join 代码示例:

// 传统的 join 操作会导致 shuffle 操作。
// 因为两个 RDD 中，相同的 key 都需要通过网络拉取到一个节点上，由一个 task 进行 join 操作。
val rdd3 = rdd1.join(rdd2)
// Broadcast+map 的 join 操作，不会导致 shuffle 操作。
// 使用 Broadcast 将一个数据量较小的 RDD 作为广播变量。
val rdd2Data = rdd2.collect()
val rdd2DataBroadcast = sc.broadcast(rdd2Data)
// 在 rdd1.map 算子中，可以从 rdd2DataBroadcast 中，获取 rdd2 的所有数据。
// 然后进行遍历，如果发现 rdd2 中某条数据的 key 与 rdd1 的当前数据的 key 是相同的，
//那么就判定可以进行 join。
// 此时就可以根据自己需要的方式，将 rdd1 当前数据与 rdd2 中可以连接的数据，
//拼接在一起（String 或 Tuple）。
val rdd3 = rdd1.map(rdd2DataBroadcast...)
// 注意，以上操作，建议仅仅在 rdd2 的数据量比较少（比如几百 M，或者一两 G）的情况下使用。
// 因为每个 Executor 的内存中，都会驻留一份 rdd2 的全量数据。

原则五：使用 map-side 预聚合的 shuffle 操作

如果因为业务需要，一定要使用 shuffle 操作，无法用 map 类的算子来替代，那么尽量使用可以 map-side 预聚合的算子。

使用reduceByKey，aggregateByKey代替groupByKey，因为reduceByKey和aggregateByKey会进行预聚合，groupByKey不会。

原则六：使用高性能的算子

使用 reduceByKey/aggregateByKey 替代 groupByKey,详情见“原则五：使用 map-side 预聚合的 shuffle 操作”。

使用 mapPartitions 替代普通 map。

使用 filter 之后进行 coalesce 操作。

使用 repartitionAndSortWithinPartitions 替代 repartition 与 sort 类操作。

原则七：广播大变量

有时在开发过程中，会遇到需要在算子函数中使用外部变量的场景，那么此时就应该使用 Spark的广播（Broadcast）功能来提升性能。因为如果不使用广播变量，那么每个任务会拉取数据并创建一个副本，这样会大大增加网络开销，并占用系统内存。如果使用广播变量的话，数据就会保留一份。

广播大变量代码示例：

// 以下代码在算子函数中，使用了外部的变量。
// 此时没有做任何特殊操作，每个 task 都会有一份 list1 的副本。
val list1 = ...
rdd1.map(list1...)
// 以下代码将 list1 封装成了 Broadcast 类型的广播变量。
// 在算子函数中，使用广播变量时，首先会判断当前 task 所在 Executor 内存中，是否有变量副本。
// 如果有则直接使用；如果没有则从 Driver 或者其他 Executor 节点上远程拉取一份放到本地 Executor
内存中。
// 每个 Executor 内存中，就只会驻留一份广播变量副本。
val list1 = ...
val list1Broadcast = sc.broadcast(list1)
rdd1.map(list1Broadcast...)

原则八：使用 Kryo 优化序列化性能

代码示例：

// 创建 SparkConf 对象。
val conf = new SparkConf().setMaster(...).setAppName(...)
// 设置序列化器为 KryoSerializer。
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
// 注册要序列化的自定义类型。
conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]))

原则九：优化数据结构

Java 中，有三种类型比较耗费内存：

1.对象。 2.集合类型，比如HashMap，LinedList等。3.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。

2.5 运行资源调优

在spark-submit调节资源参数来提高资源利用率。

  • num-executors

    参数说明：设置spark作业总共用多少个executor来执行。

    参数调优建议：每个spark作业一般设置50~100个左右的Executor进程比较合适。太小不能充分利用资源，太大队列无法提供足够的资源。

  • executor-memory

    参数说明：设置每个Executor进程的内存。

    参数调优建议：每个 Executor 进程的内存设置 4G~8G 较为合适。但是这只是一个参考值，具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列的最大内存限制是多少，num-executors 乘 以 executor-memory，是不能超过队列的最大内存量的。此外，如果你是跟团队里其他人共享这个资源队列，那么申请的内存量最好不要超过资源队列最大总内存的 1/3~1/2，避免你自己的 Spark 作业占用了队列所有的资源，导致别的同学的作业无法运行。

  • executor-cores

    参数说明：设置每个Executor进程CUP core数量。因为每个cpu core一个时间只能执行一个task，所以cpu core数量越多，执行速度越快。

    参数调优建议：Executor 的 CPU core 数量设置为 2~4 个较为合适。同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core 限制是多少，再依据设置的 Executor 数量，来决定每个 Executor进程可以分配到几个 CPU core。同样建议，如果是跟他人共享这个队列，那 么 num-executors * executor-cores 不 要 超 过 队 列 总 CPU core 的1/3~1/2 左右比较合适，也是避免影响其他同学的作业运行。

  • driver-memory

    参数说明：设置Driver进程的内存。

    参数调优建议：Driver 的内存通常来说不设置，或者设置 1G 左右应该就够了。

  • spark.default.parallelism

    参数说明：该参数用于设置每个 stage 的默认 task 数量。这个参数极为重要，如果不设置可能会直接影响你的 Spark 作业性能。

    参数调优建议：Spark 作业的默认 task 数量为 500~1000 个较为合适。很 多 同 学 常 犯 的 一 个 错 误 就 是 不 去 设 置 这 个 参 数 ， 那 么 此 时 就 会 导 致Spark 自己根据底层 HDFS 的 block 数量来设置 task 的数量，默认是一个HDFS block 对应一个 task。通常来说，Spark 默认设置的数量是偏少的（比如就几十个 task），如果 task 数量偏少的话，就会导致你前面设置好的Executor 的参数都前功尽弃。试想一下，无论你的 Executor 进程有多少个，内存和 CPU 有多大，但是 task 只有 1 个或者 10 个，那么 90%的 Executor进程可能根本就没有 task 执行，也就是白白浪费了资源！因此 Spark 官网建议的设置原则是，设置该参数为 num-executors * executor-cores 的 2~3倍较为合适，比如 Executor 的总 CPU core 数量为 300 个，那么设置 1000个 task 是可以的，此时可以充分地利用 Spark 集群的资源。

  • spark.storage.memoryFraction

    参数说明：设置持久化数据在Executor占比，默认是0.6。

    根据你选择的不同的持久化策略，如果内存不够时，可能数据就不会持久化，或者数据会写入磁盘。

    参数调优建议：根据实际，可以适当提高，让数据写入内存。

  • 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。

    参数调优建议：如果 Spark 作业中的 RDD 持久化操作较少，shuffle 操作较多时，建议降低持久化操作的内存占比，提高 shuffle 操作的内存占比比例，避免 shuffle 过程中数据过多时内存不够用，必须溢写到磁盘上，降低了性能。此外，如果发现作业由于频繁的 gc 导致运行缓慢，意味着 task执行用户代码的内存不够用，那么同样建议调低这个参数的值。

    资源参数的调优，没有一个固定的值，需要同学们根据自己的实际情况（包括 Spark 作业中的 shuffle 操作数量、RDD 持久化操作数量以及 spark web ui 中显示的作业 gc 情况），同时参考给出的原理以及调优建议，合理地设置上述参数。

    资源参数参考示例：

    以下是一份 spark-submit 命令的示例，大家可以参考一下，并根据自己的实际情况进行调节。

    ./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 \

三、Flink调优

3.1 Backpressure调优

  • web.backpressure.cleanup-interval

    说明：当启动反压数据采集后，获取反压前等待时间，默认是60s。

  • web.backpressure.delay-between-samples:Stack Trace

    说明：抽样到确认反压状态之间的时延，默认为50ms。

  • web.backpressure.num-samples

    说明：设定Stack Trace抽样数以确定反压状态，默认为100。

3.2 Checkpointing优化

通过调整Checkpointing之间的时间间隔进行优化。

val env=StreamExecutionEnvironment.getExecutionEnvironment
env.getCheckpointConfig.setMinPauseBetweenCheckpoints(milliseconds)

3.3 状态数据压缩

目前可用的压缩算法是Snappy，设置如下：

val env=StreamExecutionEnvironment.getExecutionEnvironment
val config = env.getConfig
config.setUseSnapshotCompression(true)

3.4 Flink内存优化

Flink，Spark等大数据引擎都实现了自己的内存管理，有效解决JVM内存溢出问题。

  • JobManager配置

    jobmanager.heap.size：设定JobManager堆内存大小，默认为1024MB。

  • TaskManager配置

    TaskManager作为Flink集群中的工作节点，所有任务的计算逻辑均执行在TaskManager之上，因此对TaskManager内存配置显得尤为重要，可以通过以下参数配置对TaskManager进行优化和调整。

    taskmanager.heap.size

    说明：设定TaskManager堆内存大小，默认值为1024M，如果在Yarn的集群中，TaskManager取决于Yarn分配给TaskManager Container的内存大小，且Yarn环境下一般会减掉一部分内存用于Container的容错。

    taskmanager.jvm-exit-on-oom

    说明：设定TaskManager是否会因为JVM发生内存溢出而停止，默认为false，当TaskManager发生内存溢出时，也不会导致TaskManager停止。

    taskmanager.memory.size

    说明：设定TaskManager内存大小，默认为0，如果不设定该值将会使用taskmanager.memory.fraction作为内存分配依据。

    taskmanager.memory.fraction

    说明：设定TaskManager堆中去除Network Buffers内存后的内存分配比例。该内存主要用于TaskManager任务排序、缓存中间结果等操作。例如，如果设定为0.8，则代表TaskManager保留80%内存用于中间结果数据的缓存，剩下20%的内存用于创建用户定义函数中的数据对象存储。注意，该参数只有在taskmanager.memory.size不设定的情况下才生效。

    taskmanager.memory.off-heap

    说明：设置是否开启堆外内存供Managed Memory或者Network Buffers使用。

    taskmanager.memory.preallocate

    说明：设置是否在启动TaskManager过程中直接分配TaskManager管理内存。

    taskmanager.numberOfTaskSlots

    说明：每个TaskManager分配的slot数量。

3.5 设定Network内存比例

taskmanager.network.memory.fraction

说明：JVM中用于Network Buffers的内存比例。

taskmanager.network.memory.min

说明：最小的Network Buffers内存大小，默认为64MB。

taskmanager.network.memory.max

说明：最大的Network Buffers内存大小，默认1GB。

taskmanager.memory.segment-size

说明：内存管理器和Network栈使用的Buffer大小，默认为32KB。

3.6 堆内存调优

默认Flink使用的Parallel Scavenge的垃圾回收器，可以改用G1垃圾回收器。

启动参数：

env.java.opts= -server -XX:+UseG1GC -XX:MaxGCPauseMillis=300 -XX:+PrintGCDetails

  • -XX:MaxGCPauseMillis：设置允许的最大GC停顿时间，默认是200ms。
  • -XX:G1HeapRegionSize：每个分区的大小，默认值会根据整个堆区的大小计算出来，范围是1M~32M，取值是2的幂，计算的倾向是尽量有2048个分区数。
  • -XX:MaxTenuringThreshold=n：晋升到老年代的“年龄”阈值，默认值为15。
  • -XX:InitiatingHeapOccupancyPercent：一般会简写IHOP，默认是45%，这个占比跟并发周期的启动相关，当空间占比达到这个值时，会启动并发周期。如果经常出现FullGC，可以调低该值，今早的回收可以减少FullGC的触发，但如果过低，则并发阶段会更加频繁，降低应用的吞吐。
  • -XX:G1NewSizePercent：年轻代最小的堆空间占比，默认是5%。
  • -XX:G1MaxNewSizePercent：年轻代最大的堆空间占比，默认是60%。
  • -XX:ConcGCThreads：并发执行的线程数，默认值接近整个应用程序数的1/4。
  • -XX:-XX:G1HeapWastePercent:允许的浪费空间的占比，默认是5%。如果并发标记可回收的空间小于5%，则不会抛出MixedGC。
  • -XX:G1MixedGCCountTarget：一次全局并发标记之后，后续最多执行的MixedGC次数。默认值是8。

四、Hadoop调优

4.1 HDFS参数调优

在hdfs-site.xml里面配置：

（1）dfs.namenode.handler.count=20 * log2(Cluster Size)，比如集群规模为8台时，此参数设置为60

NameNode有一个工作线程池，用来处理不同DataNode的并发心跳以及客户端并发的元数据操作。对于大集群 或者有大量客户端的集群来说，通常需要增大参数dfs.namenode.handler.count的默认值10。设置该值的一般原则是将其设置为集群大小的自然对数乘以20，即20logN，N为集群大小。

（2）编辑日志存储路径dfs.namenode.edits.dir设置与镜像文件存储路径dfs.namenode.name.dir尽量分开，达到最低写入延迟

4.2 YARN参数调优yarn-site.xml

（1）情景描述：总共7台机器，每天几亿条数据，数据源->Flume->Kafka->HDFS->Hive

面临问题：数据统计主要用HiveSQL，没有数据倾斜，小文件已经做了合并处理，开启的JVM重用，而且IO没有阻塞，内存用了不到50%。但是还是跑的非常慢，而且数据量洪峰过来时，整个集群都会宕掉。基于这种情况有没有优化方案。

（2）解决办法：

内存利用率不够。这个一般是Yarn的2个配置造成的，单个任务可以申请的最大内存大小，和Hadoop单个节点可用内存大小。调节这两个参数能提高系统内存的利用率。

（a）yarn.nodemanager.resource.memory-mb

表示该节点上YARN可使用的物理内存总量，默认是8192（MB），注意，如果你的节点内存资源不够8GB，则需要调减小这个值，而YARN不会智能的探测节点的物理内存总量。

（b）yarn.scheduler.maximum-allocation-mb

单个任务可申请的最多物理内存量，默认是8192（MB）。

4.3 Hadoop宕机

（1）如果MR造成系统宕机。此时要控制Yarn同时运行的任务数，和每个任务申请的最大内存。调整参数：yarn.scheduler.maximum-allocation-mb（单个任务可申请的最多物理内存量，默认是8192MB）

（2）如果写入文件过量造成NameNode宕机。那么调高Kafka的存储大小，控制从Kafka到HDFS的写入速度。高峰期的时候用Kafka进行缓存，高峰期过去数据同步会自动跟上。

五、Flume调优

5.1内存优化

1）问题描述：如果启动消费Flume抛出如下异常

ERROR hdfs.HDFSEventSink: process failed
java.lang.OutOfMemoryError: GC overhead limit exceeded

2）解决方案步骤：

（1）在flume-env.sh文件中增加如下配置

export JAVA_OPTS="-Xms2000m -Xmx2000m -Dcom.sun.management.jmxremote"

同步配置到其它服务器。

PS：Xms代表程序启动的时候从操作系统中获取的内存数量，Xmx代表程序最大可以从操作系统中获取的内存数量。

注意：-Xmx与-Xms最好设置一致，减少内存抖动带来的性能影响，如果设置不一致容易导致频繁fullgc。

5.2FileChannel优化

通过配置dataDirs指向多个路径，每个路径对应不同的硬盘，增大Flume吞吐量。

checkpointDir和backupCheckpointDir也尽量配置在不同硬盘对应的目录中，保证checkpoint坏掉后，可以快速使用backupCheckpointDir恢复数据。

5.3HDFS Sink优化

官方默认的这三个参数配置写入HDFS后会产生小文件，hdfs.rollInterval（时间间隔）、hdfs.rollSize（滚动大小）、hdfs.rollCount（event策略）。

举例：

hdfs.rollInterval=60（单位：秒，如果设置为0则代表禁用此策略）

hdfs.rollSize=134217728（单位：字节，如果设置为0则代表禁用此策略）

hdfs.rollCount =0（event数量，如果设置为0则代表禁用此策略）

上面的设置代表：

  • 如果60秒内文件达到128M时会滚动生成正式文件。

  • 如果超过60秒未达到128M也会滚动生成正式文件。

    系列传送门

posted @ 2020-07-15 23:17  数据驱动  阅读(2253)  评论(0)  编辑  收藏  举报