【大数据面试题】35 Spark 怎么做优化？

一步一个脚印，一天一道大数据面试题

博主希望能够得到大家的点赞收，藏支持！非常感谢~
点赞，收藏是情分，不点是本分。祝你身体健康，事事顺心！

Spark 如何做优化一直是面试过程中常问的问题。那么这次也仅以此篇文章总结梳理，希望对大家有帮助。

通用优化

Spark 一般遇到了报错，紧急处理时，第一时间能想到的处理方法。
不过这样的方法使用范围较为有限。

1. 增大资源
   增大 executor 的 cpu 核，内存。

2. 减少 shuffle 输入数据
   做多一些 filter 过滤，输入数据少了，便不容易报错。

Spark 任务优化

能在 Spark 计算任务中进行配置，修改而做的优化。

1. 数据倾斜
   shuffle 可以说是 spark 最容易报错的地方，而深层原因就是容易到时 shuffle 报错的主要原因。
   1.1. 定位数据倾斜：
   Spark UI 中看到个别executor 处理的数据量远大于其它 executor，并出现了报错。
   1.2. 增大并行度：
   可能是并行度太小，导致个别 executor 处理数据量过大，增大并行度能减小报错的可能。
   就像 100份工作随机给 5 人做，调整到随机给 10 人做的区别。

// 增大 DataFrame 的分区数
dataFrame.repartition(100