spark优化参数调节和故障参数调节

1：“物尽其用”，但给spark分配多个机器后，先需配置spark-submit shell如下：

/usr/local/spark/bin/spark-submit \
--class com.spark.test.Top3UV \
--num-executors 3 \
--driver-memory 100m \
--executor-memory 100m \
--executor-cores 3 \
--files /usr/local/hive/conf/hive-site.xml \
--driver-class-path /usr/local/hive/lib/mysql-connector-java-5.1.17.jar \
/usr/local/jars/spTest-1.0-SNAPSHOT-jar-with-dependencies.jar \

executor的cpu核心数为3，并且executor数量为3，那么总cpu核心数就是9，task并行度推荐设置2~3倍的cpu-core才能“物尽其用”，因为难以保证所有task都在同一时间执行完成！

SparkConf conf = new SparkConf()

conf.set("spark.default.parallelism", "500")

2：重复使用的Rdd，需要缓存：StorageLevel.MEMORY_AND_DISK_SER_2()

可选择：
（1）内存缓存（2）内存磁盘缓存（3）带有序列化的缓存（4）带有副本的缓存-》以防数据丢失，形如 _2。
***复用的rdd还可以持久化到hdfs，使用checkpoint机制，如下

javaSparkContext.setCheckpointDir("hdfs://xxx:9000/checkPointPath");//设置checkpoint的存储路径

rdd_date_range.checkpoint();//对rdd_date_range的Rdd进行checkpoint存储（如果rdd使用cache则checkpoint数据从缓存中获取）

3：shuffle操作时优化
 （1）开启 consolidateFile，这样map端产生的file数量会和下游stage的task数量一致，不会因为重复创建文件导致性能下降。
 （2）"spark.shuffle.file.buffer", "128k"，设置之后可减少map端数据输出到文件的次数减少，提升性能。
 （3）"spark.reducer.maxSizeInFlight", "96m"，下游stage拉取map形成file中的内容，每次拉取的数据量，值过小会导致多次网络通信。
 （4）"spark.shuffle.io.maxRetries", "6"，如果上游jvm出现stw的话，有可能下游获取file时会出现，无法获取的情况，这个参数代表可以重试的次数，"spark.shuffle.io.retryWait", "10s"而这个参数设定每次重试的间隔时间。

4：使用  fastUtil工具  代替jdk中带有的基础数据类型，减小内存开销；如：ArrayList或者HashMap等。

5：使用kryo序列化工具，这样序列化数据的速度能够提升，而且能够减小内存的开销；***但要注意的是
使用kryo序列化，如果涉及到自定义类型必须要注册，这样才能被kryo序列化***

6:spark1.2.x 以后默认使用sort shuffle manager，但如果没有必要使用排序功能可以在SparkConf中设置即可；
如下：
   new SparkConf().set("spark.shuffle.manager","hash");

***当然spark1.5.x以后又出现了tungsten-sort shuffle manager，要比sort shuffle manager性能更好***
（如果使用sort shuffle manager可以通过new SparkConf().set("spark.shuffle.sort.bypassMergeThreshold","350");如果实际task的数量大于350才开启sort shuffle manager）

7：如果在某处使用了spark sql，那么这个阶段的partition数量是不受控制的spark.default.parallelism设置控制的，如果想要设置需要使用repartition方法来设置实际的partition数量；
如下：
actionDF.javaRDD().repartition(1000);//在使用DataFrame转化成javaRDD的时候，使用repartition来提高实际的数据分块数量，从而提高并行度。

8：如果可用内存比较大的话，那么map操作可以使用mapPartitions来代替；
如：
rdd.mapToPair使用rdd.mapPartitionsToPair来代替，这样会一次性获得rdd中的某个partition，方法变成迭代的方式仅仅执行一次（但是这样非常大的可能导致oom直接挂掉）；
 rdd.mapPartitionsToPair(new PairFlatMapFunction<Iterator<Row>, Object, Object>() {
            @Override
            public Iterable<Tuple2<Object, Object>> call(Iterator<Row> rowIterator) throws Exception {
                return null;
            }
        });
        return rdd.mapToPair(new PairFunction<Row, String, Row>() {
            @Override
            public Tuple2<String, Row> call(Row row) throws Exception {
                return new Tuple2<String, Row>(row.getString(2), row);
            }
        });

9：shuffle阶段，在reduce中有时需要调节拉取数据时内存缓冲区（从map端输出的action触发job计算的文件），默认是48MB，如果当数据量特别大的时候很有可能出现OOM的问题，这个问题除了增加硬件条件外，必须通过牺牲性能来换取执行能力了；
调整参数：
 将默认48MB下调到10MB，增加数据拉取(增加了网络通信次数)的次数，来避免OOM
 new SparkConf().set("spark.reducer.maxSizeInFlight","10");

10：如果在日志中出现了shuffle file not found 错误！ 很可能是由于reduce时executor的jvm发生gc导致了reduce阶段无法获得文件，
解决问题可以通过，增加重试次数，并调节重试的周期：
.set("spark.shuffle.io.maxRetries",3);//默认重试次数是3次，可以调成60
.set("spark.shuffle.io.retryWait",5);//默认每隔5s重试一次，可以调成60

11：如果报错 Scala.Math(NULL) 类似于这种异常，那就是说明在算子中出现了null值的直接返回。

12：spark默认情况下cache缓存配置占比为spark.storage.memoryFraction:0.6，我们可以调整的小些如0.3，必要的时候可以使用persist进行内存+磁盘的缓存方式（StorageLevel.MEMORY_AND_DISK()）进行缓存；这样能够保证运行spark核心业务的各种算子能够有足够的运行空间，防止由于内存不足并且频繁的GC而造成spark作业执行的卡顿。