Reduce端并行度
- RDD:
- 参数:spark.default.parallelism
- 手动:groupByKey(10),10即为并行度
- Spark SQL:
- 参数:spark.sql.shuffle.partitions
- Hive on Spark:
1.控制reduce个数的方式与参数
1.1.首先可以通过参数直接控制最终reduce的个数,使用参数mapred.reduce.tasks
hive> set mapred.reduce.tasks ;
mapred.reduce.tasks=-1 --官方默认值-1,表示不人为设置reduce的个数,实际这种方式用的也少。
1.2.在hive中如果不指定reduce个数的情况下,Hive会猜测确定一个reduce个数,基于以下两个设定
1.set hive.exec.reducers.bytes.per.reducer=300000000 --我们公司默认值 300MB
注意:在hive 0.14.0之前默认hive.exec.reducers.bytes.per.reducer默认值是1GB,每个reduce最多处理1GB。
但是在之后版本默认值都是256Mb。这里我们公司用的是300Mb。为什么300Mb写的是300*1000*1000?因为网络传输中用的1000,而不是1024机制。
2.set hive.exec.reducers.max=1009 --我们公司默认值,这个值一般不会修改。
注意,在hive 0.14.0之前默认是999,之后是1009,所以我们公司的也是官方默认值。
3.reduce计算方式:计算reducer数的公式很简单
Num=min(hive.exec.reducers.max,map输出数据量/hive.exec.reducers.bytes.per.reducer)
参考:真正让你明白Hive参数调优系列2:如何控制reduce个数与参数调优_hive.exec.reducers.bytes.per.reducer-CSDN博客
Map端加载数据的并行度
- textFile等算子加载数据源,如果指定了minPartitions,如果最终切分的split数据大小小于blockSize,则会使用该大小进行最终切分,也就是切出来比blockSize更小的split,相当于增加了并行度。
- hive on spark:开启合并小文件后,并行度降低。
-- 每个Map最大输入大小,
hive> set mapred.max.split.size;
mapred.max.split.size=256000000 这也是官方默认值
-- 每个Map最小输入大小
hive> set mapred.min.split.size;
mapred.min.split.size=10000000 这也是官方默认值
hive> set dfs.block.size;
dfs.block.size=134217728 我们集群默认hdfs的block块大小是128Mb,但注意这个参数通过hive设置更改实际没有用的,只能hdfs设置。
参考:真正让你明白Hive参数调优系列1:控制map个数与性能调优参数_mapred.min.split.size.per.node-CSDN博客
主动调整分区数量
使用重分区算子:repartition()或者coalesce()
官方推荐,根据应用分配的CPU的情况,分区数量可以为CPU核数的2~3倍。
需要注意的重要一点是,Spark
repartition()
和coalesce()
是效率低下的操作,因为它们会在许多分区中打乱数据,因此尽量减少重新分区。Spark RDD
coalesce()
仅用于减少分区数量。 这是repartition()
的优化或改进版本,其中使用合并的数据在分区之间的移动较低。
Scala
/** repartition */
val rdd2: RDD[Int] = rdd1.repartition(4)
println("Repartition size:" + rdd2.partitions.size)
//保存
rdd2.saveAsTextFile("data/output/re-partition")
/** coalesce分区算子*/
val rdd3: RDD[Int] = rdd1.coalesce(4)
println("Repartition size:" + rdd3.partitions.size)
//保存
rdd3.saveAsTextFile("data/output/coalesce")