【Spark调优】数据本地化与参数调优
数据本地化对于Spark Job性能有着巨大的影响，如果数据以及要计算它的代码是在一起的，那么性能当然会非常高。但是，如果数据和计算它的代码是分开的，那么其中之一必须到另外一方的机器上。移动代码到其匹配的数据节点，会比移动大量数据到代码所在的节点上去，速度要快得多，因为代码比较小。Spark也正是基于这个数据本地化的原则来构建task调度算法。
数据本地化，是指数据离计算它的代码距离有多近，有几种数据本地化级别：
1、PROCESS_LOCAL：数据和计算它的代码在同一个JVM进程中，对应spark是指的在一个executor内，这种距离最近，性能最好。
2、NODE_LOCAL：数据和计算它的代码在一个节点上，但是不在一个进程中，比如在不同的executor进程中，或者是数据在HDFS文件的block中，这种距离远些，性能次之。
尽量控制在前2种。 如下计算代码和匹配数据距离依次更远，性能依次变的更差。
3、NO_PREF：从任何地方访问数据速度都是一样，不关心数据的位置。
4、RACK_LOCAL：数据和计算它的代码在一个机架上。
5、ANY：数据可能在任意地方，比如其他网络环境内，或者其他机架上。
注：Spark UI中，在stage中看task列表，Locality Level列可以看到该task的数据本地化级别。
实际使用过程中，资源是有限的。
例如，如果一个executor在某一时刻已经启动了很多task，没有资源可以继续启动新task。此时，应该选择等待一段时间。
- 如果等待时间内，有task完成处理释放了资源，那么executor为新task分配资源，此时保持PROCESS_LOCAL。
- 如果超出等待时间，所有task都还没完成，新task未获取到资源，此时需要降级为NODE_LOCAL，由Node分配资源来运行新task。
Spark为task资源等待时间提供了配置参数：
- spark.locality.wait
是spark切换每个级别的等待间隔时间，默认值3秒过短，生产上目前配置在50~60秒。
也可以细化到每个级别的等待间隔时间配置：
- spark.locality.process
- spark.locality.node
- spark.locality.rack
建议越在前面的配置略大些好，例如50~60秒。
