1. reduce task数目不合适
Application isn’t using all of the Cores: How to set the Cores used by a Spark App
解决方式:
需根据实际情况调节默认配置,调整方式是修改参数 spark.default.parallelism 。通常,reduce 数目设置为 core 数目的2到3倍。数量太大,造成很多小任务,增加启动任务的开销;数目太少,任务运行缓慢
spark-env.sh 里设置 spark.deploy.defaultCores 或 spark.cores.max
2. shuffle磁盘IO时间长
解决方式:
设置 spark.local.dir 为多个磁盘,并设置磁盘为 IO 速度快的磁盘,通过增加 IO 来优化 shuffle 性能;
3. map|reduce数量大,造成shuffle小文件数目多
解决方式:
默认情况下 shuffle 文件数目为 map tasks * reduce tasks
通过设置 spark.shuffle.consolidateFiles 为 true,来合并 shuffle 中间文件,此时文件数为 reduce tasks 数目;
4. 序列化时间长、结果大
解决方式:
Spark默认使.用JDK.自带的 ObjectOutputStream ,这种方式产生的结果大、CPU处理时间长,可以通过设置 spark.serializer 为org.apache.spark.serializer.KryoSerializer。
另外如果结果已经很大,可以使用广播变量;
5. 单条记录消耗大
解决方式:
使用 mapPartition 替换 map,mapPartition 是对每个 Partition 进行计算,而 map 是对 partition 中的每条记录进行计算;
6. collect输出大量结果时速度慢
解决方式:
collect 源码中是把所有的结果以一个 Array 的方式放在内存中,可以直接输出到分布式?文件系统,然后查看文件系统中的内容;
7. 任务执行速度倾斜
解决方式:
如果是数据倾斜,一般是 partition key 取的不好,可以考虑其它的并行处理方式 ,并在中间加上 aggregation 操作;
如果是 Worker 倾斜,例如在某些 worker 上的 executor 执行缓慢,可以通过设置 spark.speculation = true 把那些持续慢的节点去掉;
8. 通过多步骤的RDD操作后有很多空任务或者小任务产生
解决方式:
使用 coalesce 或repartition 去减少 RDD 中 partition 数量;
9. Spark Streaming吞吐量不高
解决方式:
可以设置 spark.streaming.concurrentJobs
10. Spark Executor OOM: How to set Memory Parameters on Spark
OOM是内存里堆的东西太多了
1、增加job的并行度,即增加 job 的 partition 数量,把大数据集切分成更小的数据,可以减少一次性load到内存中的数据量。InputFomart, getSplit 来确定。
2、spark.storage.memoryFraction
管理 executor 中 RDD 和运行任务时的内存比例,如果shuffle比较小,只需要一点点 shuffle memory,那么就调大这个比例。默认是0.6。不能比老年代还要大。大了就是浪费。
3、spark.executor.memory 如果还是不行,那么就要加 Executor 的内存了,改完 executor 内存后,这个需要重启。
5、Class Not Found: Classpath Issues
问题1、缺少jar,不在 classpath 里。
问题2、jar包冲突,同一个jar不同版本。
解决1:
将所有依赖 jar 都打入到一个 fatJar 包里,然后手动设置依赖到指定每台机器的DIR。
val conf = new SparkConf()
.setAppName(appName)
.setJars(Seq(System.getProperty("user.dir") + "/target/scala-2.10/sparktest.jar"))
解决2:
把所需要的依赖jar包都放到 default classpath 里,分发到各个 worker node 上。