Spark 性能调优七步法

本文档综合了 Spark 工程中常见的性能瓶颈和优化技巧,分为七大调优方向,适用于 PySpark 和 Scala Spark 场景,包括资源配置、并行度、缓存、垃圾回收、UDF 性能、Shuffle 优化和作业结构管控等。


一、资源配置调优

目标

合理分配 executor 和 JVM 内存,避免 OOM 和 GC 过高导致性能下降或 executor 被 YARN Kill。

优化策略

参数 推荐配置 说明
--executor-memory 8G ~ 20G JVM 堆内存,过大易导致 Full GC
--executor-cores 2 ~ 5 避免超过带条数导致 GC
spark.executor.memoryOverhead 至少 2G(PySpark 推荐为 4G 或更高) off-heap 内存,包括 Python UDF/缓冲区/数据缓存
--num-executors 根据总核数计算 = 总CPU核数 / 每executor核数

示例

复制代码
--executor-memory 16G \
--executor-cores 4 \
--conf spark.executor.memoryOverhead=4G \
--num-executors 50

二、数据分区和并行度

目标

避免 task 单次处理数据过多或过少,导致 GC 或分布失衡,强化应用的并行能力。

优化策略

  • 初始读取后使用 repartition(n) 指定分区

  • 调整 spark.sql.shuffle.partitions(默认 200)

  • 结果写出前使用 coalesce(n) 减少小文件

    df = df.repartition(200)
    spark.conf.set("spark.sql.shuffle.partitions", "400")
    df.coalesce(100).write.parquet("...")


三、缓存优化

目标

提高数据重复读取时性能,避免多次进程计算。

优化策略

  • 使用 persist() 替代 cache()

  • 指定缓存级别:MEMORY_AND_DISK_SER 节省内存

  • 后续不使用时应该 unpersist()

    from pyspark import StorageLevel
    df.persist(StorageLevel.MEMORY_AND_DISK_SER)
    ...
    df.unpersist()


四、垃圾回收 (GC) 优化

目标

降低 GC 时间,避免 JVM 停顿,提高作业稳定性。

优化策略

  • JVM 堆内存 <= 20G

  • 推荐使用 G1GC

  • 启用 GC 日志分析

    --conf spark.executor.extraJavaOptions="-XX:+UseG1GC -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCDateStamps"


五、UDF 代码和逻辑优化

目标

减少 JVM 和 Python 之间的序列化或处理费,提高运行效率。

优化策略

  • 优先考虑 Spark SQL 表达式或 built-in 函数

  • 用 pandas UDF 替换 Python UDF

  • 避免 collect()/groupByKey()

    @pandas_udf(StringType(), functionType="PANDAS_UDF")
    def clean(col: pd.Series) -> pd.Series:
    return col.str.lower().str.strip()

    df = df.withColumn("cleaned", clean("name"))


六、Shuffle 性能优化

目标

降低 shuffle 输入输出 IO 和缓冲压力,避免倦缓/磁盘 spill,提高性能。

优化策略

  • 避免 groupByKey,优先 reduceByKey 或 aggregateByKey

  • 启用 shuffle 压缩、spill 压缩

  • 适应场景使用 Broadcast Join / Sort-Merge Join

  • 解决数据倾斜:Salting 或 AQE

示例配置

复制代码
--conf spark.shuffle.compress=true \
--conf spark.shuffle.spill.compress=true \
--conf spark.shuffle.file.buffer=64k \
--conf spark.sql.autoBroadcastJoinThreshold=10MB \
--conf spark.sql.adaptive.enabled=true

七、作业结构和任务管理

目标

控制 DAG 深度,避免特殊大 task 倾斜,提升较均衡执行效率。

优化策略

  • 较复杂的 DAG 作业分时 checkpoint/cache

  • 推荐使用 AQE 展现时动性分区和 join 选择

  • 避免大幅 broadcast join (大于 10MB)

    spark.conf.set("spark.sql.adaptive.enabled", "true")


总结:Spark 调优七步法(记忆词:资-分-存-收-码-洗-控)

分类 内容
1. 资源配置 内存/核数/超越内存配置
2. 分区并行度 repartition / shuffle 分区
3. 数据缓存 persist 级别 / 释放时机
4. GC 优化 G1GC / JVM 堆 / GC 日志
5. UDF 逻辑 pandas UDF / Spark SQL 替代
6. Shuffle 优化 join 类型 / 倾斜解决方案
7. 作业控制 AQE / checkpoint / 分步执行

相关推荐
lifallen4 分钟前
Flink TCP Channel复用:NettyServer、NettyProtocol详解
大数据·flink·nio
Hello.Reader7 分钟前
用 Flink 打造事件驱动流式应用从 DataStream 到 ProcessFunction
大数据·flink
jqy202523 分钟前
什么是合同管理系统?6个核心功能介绍
大数据·合同 管理系统·电子合同管理
韩立学长28 分钟前
【开题答辩实录分享】以《基于大数据的私人牙科诊所病例管理系统》为例进行答辩实录分享
大数据·管理系统
计算机编程小央姐43 分钟前
大数据毕业设计选题推荐:基于Hadoop+Spark的全球能源消耗数据分析与可视化系统
大数据·hadoop·数据分析·spark·课程设计·毕设
计算机编程小央姐1 小时前
企业级大数据技术栈:基于Hadoop+Spark的全球经济指标分析与可视化系统实践
大数据·hadoop·hdfs·spark·echarts·numpy·课程设计
MoRanzhi12031 小时前
12. NumPy 数据分析与图像处理入门
大数据·图像处理·人工智能·python·矩阵·数据分析·numpy
互联网之声2 小时前
兑吧集团受邀参加2025华康会·DaJK大健康“源头创新·链动未来”创新论坛
大数据·人工智能
Q26433650233 小时前
【有源码】基于Hadoop+Spark的AI就业影响数据分析与可视化系统-AI驱动下的就业市场变迁数据分析与可视化研究-基于大数据的AI就业趋势分析可视化平台
大数据·hadoop·机器学习·数据挖掘·数据分析·spark·毕业设计
weixin_436525073 小时前
芋道源码 - RabbitMQ + WebSocket 实现分布式消息推送
分布式·websocket·rabbitmq