【Spark精讲】性能优化:并行度

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()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 复制代码
/** 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")
相关推荐
智慧化智能化数字化方案17 分钟前
华为IPD流程管理体系L1至L5最佳实践-解读
大数据·华为
PersistJiao1 小时前
在 Spark RDD 中,sortBy 和 top 算子的各自适用场景
大数据·spark·top·sortby
2301_811274312 小时前
大数据基于Spring Boot的化妆品推荐系统的设计与实现
大数据·spring boot·后端
Yz98762 小时前
hive的存储格式
大数据·数据库·数据仓库·hive·hadoop·数据库开发
青云交2 小时前
大数据新视界 -- 大数据大厂之 Hive 数据导入:多源数据集成的策略与实战(上)(3/ 30)
大数据·数据清洗·电商数据·数据整合·hive 数据导入·多源数据·影视娱乐数据
lzhlizihang2 小时前
python如何使用spark操作hive
hive·python·spark
武子康2 小时前
大数据-230 离线数仓 - ODS层的构建 Hive处理 UDF 与 SerDe 处理 与 当前总结
java·大数据·数据仓库·hive·hadoop·sql·hdfs
武子康2 小时前
大数据-231 离线数仓 - DWS 层、ADS 层的创建 Hive 执行脚本
java·大数据·数据仓库·hive·hadoop·mysql
时差9532 小时前
Flink Standalone集群模式安装部署
大数据·分布式·flink·部署
锵锵锵锵~蒋2 小时前
实时数据开发 | 怎么通俗理解Flink容错机制,提到的checkpoint、barrier、Savepoint、sink都是什么
大数据·数据仓库·flink·实时数据开发