Spark 调优 | Spark 性能优化指南

这年代，做数据的，没人不知道 Spark 是什么吧。作为最火的大数据计算引擎，现在基本上是各互联网大厂的标配了。

 

比如，字节跳动基于 Spark 构建的数据仓库，服务了几乎所有的产品线，包括抖音、今日头条、西瓜视频等。再比如，百度基于 Spark 推出 BigSQL，为海量用户提供次秒级的即席查询。可以说，在海量数据处理上，Spark 的角色至关重要。

 

想到我刚刚接触 Spark 那会儿，真心佩服它的开发效率，是真高啊！MapReduce 上千行代码才能实现的业务功能，Spark 几十行代码就搞定了。

 

现在就更牛了，去年 6 月，Spark 直接从 2.4 直接升级到了3.0，最大的亮点就在于性能优化，它添加了诸如自适应查询执行（AQE）、动态分区剪裁（DPP）、扩展的 Join Hints 等新特性。这估计会让 Spark 在未来 5 到 10 年继续雄霸大数据生态圈。

 

就目前来说，Spark 有海量批处理、实时流计算、图计算、数据分析和机器学习这 5 大应用场景，不论你打算朝哪个方向深入，「性能调优」都是必须要跨越的一步。

 

原因很简单，对于这 5 大场景来说，提高执行性能是刚需。想要精通 Spark，就得拿下“性能调优”这把万能钥匙。

 

  

很多开发者都意识到这一点，但难就难在，市面上关于 Spark 性能调优的资料，大都不系统，只是在讲一些常规的调优技巧和方法。而对于一些大神分享的调优手段，只是“照葫芦画瓢”做出来的东西，也总是达不到预期的效果，比如：

 

• 明明都是内存计算，为什么我用了 RDD/DataFrame Cache，性能反而更差了？

• 网上吹得神乎其神的调优手段，为啥到了我这就不好使呢？

• 并行度设置得也不低，为啥我的 CPU 利用率还是上不去？

• 节点内存几乎全都划给 Spark 用了，为啥我的应用还是 OOM？

 

这些问题看似简单，但真不是一两句话就能说得清的。这需要我们深入Spark的核心原理，不断去尝试每一个API、算子，设置不同的配置参数，最终找出最佳的排列组合。

 

说到底，还是需要更多的学习案例与实操。我最近关注到 FreeWheel 机器学习团队负责人吴磊，总结了出一套关于「性能调优的方法论」。挺戳中我的，分享给大家👇

 

按图索骥开展性能调优

 

这张图来自吴磊的极客时间专栏《Spark 性能调优实战》，刚刚上线，不仅深入浅出的讲了 Spark 核心原理，还全面解析 Spark SQL 性能调优，总结了一份应用开发、配置项设置实操指南，真心实用。

 

最吸引我的是实操，专栏以「北京市汽油车摇号」数据为例，手把手带你实现一个分布式应用。一句话总结，就是能让你一站式加速 Spark 作业执行性能，是不是很牛。

 

△ 扫码免费试读或订阅

拼团 + 口令「Happy2021」

立省 ¥30，到手仅 ¥69

更有新人到手价 ¥59.9

 

作者是吴磊，现任 Comcast Freewheel 机器学习团队负责人，主要负责计算广告业务中机器学习应用的实践、落地与推广。之前也任职于 IBM、联想研究院、新浪微博，可以说具备丰富的数据库、数据仓库、大数据开发与调优经验了。

 

早之前听说过他，研究 Spark 是下了功夫的，而且做事儿有股“较真儿”的风格，看他上面总结的方法论图就知道，是个严谨、认真的人，跟着这样有实践、有理论，懂实现细节的大佬学习，错不了。

 

Spark 怎么能“学得快，还学得好”？

 

跟着大佬，能又快又好的学，那就是省“时间”，找到捷径、赚到了，目前专栏 3 个部分的内容，干货不少：

 

• 原理篇：聚焦 Spark 底层原理，打通性能调优的任督二脉

 

Spark 的原理非常多，但专栏聚焦于那些与性能调优息息相关的核心概念，包括RDD、DAG、调度系统、存储系统和内存管理。而且用的是最贴切的故事和类比、最少的篇幅，让你在最短的时间内掌握其核心原理，为后续的性能调优打下坚实的基础。

 

• 性能篇：实际案例驱动，多角度解读，全方位解析性能调优技巧

  
  

一部分是讲解性能调优的通用技巧，包括应用开发的基本原则、配置项的设置、 Shuffle 的优化、资源利用率的提升。另一部分会专注于数据分析领域，借助 Spark内置优化如 Tungsten、AQE 和典型场景如数据关联，和你聊聊 Spark SQL 中的调优方法和技巧。

• 实战篇：打造属于自己的分布式应用

专栏以 2011 - 2019 的《北京市汽油车摇号》数据为例，手把手教你打造一个分布式应用，带你从不同角度洞察汽油车摇号的趋势和走向。我相信，通过这个实战案例，你对性能调优技巧和思路的把控肯定会有一个“质的飞跃”。

除此之外，听说吴磊还会不定期地针对热点话题加餐，比如和 Flink、Presto 相比，Spark 有哪些优势，再比如 Spark 的一些新特性，以及业界对于 Spark 的新探索。这也能帮助我们更好地面对变化，把握先机。

吴磊很有耐心，可以说每条留言都回复。说实话，评论区都能学到不少东西，口碑有多好，我说了不算，截了一些评价供你参考：

 

不仅如此，我们还有一个特别活跃的 Spark 交流群，群友们每天都在群里互相交流技术心得，平时在群里也能涨知识。

专栏的目录我也放到这儿了，看着感觉很不错，理论和实践相结合。

在现在大数据技术领域，基本上是 Spark 形成了一家独大的局面，所以该抓住机会学习的，还得学。

 

再提醒下，原价 ¥99

结算时用优惠口令「Happy2021」

立省 ¥30，到手仅 ¥69

新人到手价 ¥59.9

走心的努力，才算真的努力。2 杯奶茶的价格，拿下这套 Spark 性能调优方法论，值了👇