Spark性能调优-数据本地性

性能调优 数据本地性 Spark在Driver上，对Application的每一个stage的task，进行分配之前，都会计算出每个task要计算的 是哪个分片数据，RDD的某个partition；Spark的task分配算法，优先，会希望每个task正好分配到它要 计算的数据所在的节点，这样的话，就不用在网络间传输数据； 但是呢，通常来说，有时，事与愿违，可能task没有机会分配到它的数据所在的节点，为什么呢， 可能那个节点的计算资源和计算能力都满了；所以呢，这种时候，通常来说，Spark会等待一段时间， 默认情况下是3s钟（不是绝对的，还有很多种情况，对不同的本地化级别，可以设置不同的等待时长）,默认重试5次，到最后，实在是等待不了了，就会选择一个比较差的本地化级别，比如说，将task分配到靠它要计算的数据 所在节点，比较近的一个节点，然后进行计算。 但是对于第二种情况，通常来说，肯定是要发生数据传输，task会通过其所在节点的BlockManager来 获取数据，BlockManager发现自己本地没有数据，会通过一个getRemote()方法，通过TransferService （网络数据传输组件）从数据所在节点的BlockManager中，获取数据，通过网络传输回task所在节点。 对于我们来说，当然不希望是类似于第二种情况的了。最好的，当然是task和数据在一个节点上， 直接从本地executor的BlockManager中获取数据，纯内存，或者带一点磁盘IO；如果要通过网络传输 数据的话，那么实在是，性能肯定会下降的，大量网络传输，以及磁盘IO，都是性能的杀手。 如果可以从数据所在的位置拿到数据，那就是最佳情况，直接在一个executor进程内，走内存速度最佳 如果数据所在的机器资源被占用，超过3秒，就会放到离数据近的其他机器上面去，那样Task任务会找 它自己本地的BlockManager要数据，没有就会通过BlockManager来管附近的BlockManager就是数据所在 机器的要数据，可能不在一个节点，要走网络传输，当然你要是说俩个executor都在一个节点里面，那 这种情况，也还算不错，就在一个节点，走进程间数据传输即可 还有一种情况，最差的就是这种跨机架拉取数据的方式了。速度非常慢，对性能的影响，相当大。 spark里面数据本地化级别都有哪几种？ PROCESS_LOCAL：进程本地化，代码和数据在同一个进程中，也就是在同一个executor中； 计算数据的task由executor执行，数据在executor的BlockManager中；性能最好 NODE_LOCAL：节点本地化，代码和数据在同一个节点中；比如说，数据作为一个HDFS block块， 就在节点上，而task在节点上某个executor中运行；或者是，数据和task在一个节点上的不同executor中； 数据需要在进程间进行传输 NO_PREF：对于task来说，数据从哪里获取都一样，没有好坏之分,比如从数据库中获取数据 RACK_LOCAL：机架本地化，数据和task在一个机架的两个节点上；数据需要通过网络在节点之间进行传输 ANY：数据和task可能在集群中的任何地方，而且不在一个机架中，性能最差 spark.locality.wait，默认是3s 我们什么时候要调节这个参数？ 观察日志，spark作业的运行日志，推荐大家在测试的时候，先用client模式，在本地就直接可以 看到比较全的日志。日志里面会显示，starting task。。。，PROCESS LOCAL、NODE LOCAL 观察大部分task的数据本地化级别 如果大多都是PROCESS_LOCAL，那就不用调节了 如果是发现，好多的级别都是RACK_LOCAL、ANY，那么最好就去调节一下数据本地化的等待时长 调节完，应该是要反复调节，每次调节完以后，再来运行，观察日志 看看大部分的task的本地化级别有没有提升；看看，整个spark作业的运行时间有没有缩短 你别本末倒置，本地化级别倒是提升了，但是因为大量的等待时长，spark作业的运行时间反而增加了， 那就还是不要调节了 怎么调节？ spark.locality.wait，默认是3s；6s，10s 默认情况下，下面3个的等待时长，都是跟上面那个是一样的，都是3s spark.locality.wait.process spark.locality.wait.node spark.locality.wait.rack new SparkConf()   .set("spark.locality.wait", "10")