spark性能调优点（逐步完善）

1、使用高性能序列化类库
2、优化数据结构
3、对多次使用的RDD进行持久化/CheckPoint
4、使用序列化的持久化级别
5、Java虚拟机垃圾回收调优
降低RDD缓存占用空间的比例：new SparkConf().set("spark.storage.memoryFraction","0.5"),从而提高task使用的内存比例。
6、提高并行度
new SparkConf().set("spark.default.parallelism","5")这个参数一旦设定，每个RDD的数据，都会被拆分为5份，针对RDD的partition，一个partition会自动的来进行计算，所以对于所的算子操作，都会创建5个task在集群中运行。
spark官方推荐，设置集群总cpu的数量的两到三倍的并行度，每个cpu core可能分配到并发运行2-3个task线程，这样集群的状态就不太可能出现空闲的状态。
小知识：spark会自动设置以文件作为输入源的RDD的并行度，依据其大小，比如：HDFS，就会给每个block创建一个partition,也依据这个设置并行度，对于reduceByKey等会发生shuffle的操作，就使用并行度最大的父RDD的并行度即可。

7、广播共享数据
默认情况下，算子函数使用到的外部数据，会被拷贝到时每个task中。如果共享的数据较大，那么每个task都会把这个较大的数据拷贝至自己的节点上。

8、数据本地化
数据本地化对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。通常来说，移动代码到其他节点，会比移动数据到代码所在的节点上去速度要快很多。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调度算法的。
本地化，指的是，数据离计算它的代码有多近，基于数据距离代码的距离，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。
2）NODE_LOCA: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。
3）NO_PREF：数据从哪里过来，性能都是一样的。
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，或是在其他机架上。
spark处理partition数据时，首先会尽量的使用最好的本地化的级别去启动task,若启动的节点一直处于忙碌状态，spark会待一会，如果executor有空闲资源了，便会启动task。若等待一会（时间可以通过参数设置），发现没有executor的core释放，那么会放大一个级别去启动这个Task。
可以设置参数，spark.locality系列参数，来调节spark等待task可以进行数据 本地化的时间。spark.locality.wait(3000ms)、spark.locality.wait.node、spark.locality.wait.process、spark.locality.wait.rack

9、reduceByKey和groupByKey的合理使用
如果能使用reduceByKey就使用reduceByKey,因为它会在map端先进行本地combine,可以大大减少传输reduce端的数据量，减少网络传输的开销。只有在ReduceByKey处理不了的时候，才会用groupByKey().map()来替代。

10、shuffle调优（重中之重）
spark.shuffle.con.solidateFiles:是否开启shuffle block file的合并，默认是false
spark.reducer.maxSizeInFlight:reduce task的摘取缓存，默认是48m
spark.shuffle.file.buffer:map task的写磁盘缓存，默认32K
spark.shuffle.io.maxRetries:拉取失败的最大重试次数，默认是3次
spark.shuffle.io.retryWait:拉取失败的重试间隔，默认5s
spark.shuffle.memoryFraction:用于reduce端聚合的内存比例，默认为0.2，超过比例就会溢出到磁盘上。