Spark調優(yōu)之RDD算子調優(yōu)

不廢話，直接進入正題！

1． RDD復用

在對RDD進行算子時，要避免相同的算子和計算邏輯之下對RDD進行重復的計算，如下圖所示：

RDD的重復計算

對上圖中的RDD計算架構進行修改，得到如下圖所示的優(yōu)化結果：

RDD架構優(yōu)化

2． 盡早filter

獲取到初始RDD后，應該考慮盡早地過濾掉不需要的數據，進而減少對內存的占用，從而提升Spark作業(yè)的運行效率。

3． 讀取大量小文件－用wholeTextFiles

當我們將一個文本文件讀取為 RDD 時，輸入的每一行都會成為RDD的一個元素。

也可以將多個完整的文本文件一次性讀取為一個pairRDD，其中鍵是文件名，值是文件內容。

val input：RDD［String］ ＝ sc．textFile（＂dir．log＂）

如果傳遞目錄，則將目錄下的所有文件讀取作為RDD。文件路徑支持通配符。

但是這樣對于大量的小文件讀取效率并不高，應該使用 wholeTextFiles
返回值為RDD［（String， String）］，其中Key是文件的名稱，Value是文件的內容。

def wholeTextFiles（path： String， minPartitions： Int ＝ defaultMinPartitions）： RDD［（String， String）］）

wholeTextFiles讀取小文件：

val filesRDD： RDD［（String， String）］ ＝
sc．wholeTextFiles（＂D：＼data＼files＂， minPartitions ＝ 3）
val linesRDD： RDD［String］ ＝ filesRDD．flatMap（＿．＿2．split（＂＼r＼n＂））
val wordsRDD： RDD［String］ ＝ linesRDD．flatMap（＿．split（＂ ＂））
wordsRDD．map（（＿， 1））．reduceByKey（＿ ＋ ＿）．collect（）．foreach（println）

4． mapPartition和foreachPartition

mapPartitions

map（＿…．）  表示每一個元素

mapPartitions（＿…．）  表示每個分區(qū)的數據組成的迭代器

普通的map算子對RDD中的每一個元素進行操作，而mapPartitions算子對RDD中每一個分區(qū)進行操作。

如果是普通的map算子，假設一個partition有1萬條數據，那么map算子中的function要執(zhí)行1萬次，也就是對每個元素進行操作。

map 算子

如果是mapPartition算子，由于一個task處理一個RDD的partition，那么一個task只會執(zhí)行一次function，function一次接收所有的partition數據，效率比較高。

mapPartition 算子

比如，當要把RDD中的所有數據通過JDBC寫入數據，如果使用map算子，那么需要對RDD中的每一個元素都創(chuàng)建一個數據庫連接，這樣對資源的消耗很大，如果使用mapPartitions算子，那么針對一個分區(qū)的數據，只需要建立一個數據庫連接。

mapPartitions算子也存在一些缺點：對于普通的map操作，一次處理一條數據，如果在處理了2000條數據后內存不足，那么可以將已經處理完的2000條數據從內存中垃圾回收掉；但是如果使用mapPartitions算子，但數據量非常大時，function一次處理一個分區(qū)的數據，如果一旦內存不足，此時無法回收內存，就可能會OOM，即內存溢出。

因此，mapPartitions算子適用于數據量不是特別大的時候，此時使用mapPartitions算子對性能的提升效果還是不錯的。（當數據量很大的時候，一旦使用mapPartitions算子，就會直接OOM）

在項目中，應該首先估算一下RDD的數據量、每個partition的數據量，以及分配給每個Executor的內存資源，如果資源允許，可以考慮使用mapPartitions算子代替map。

foreachPartition

rrd．foreache（＿…．） 表示每一個元素

rrd．forPartitions（＿…．）  表示每個分區(qū)的數據組成的迭代器

在生產環(huán)境中，通常使用foreachPartition算子來完成數據庫的寫入，通過foreachPartition算子的特性，可以優(yōu)化寫數據庫的性能。

如果使用foreach算子完成數據庫的操作，由于foreach算子是遍歷RDD的每條數據，因此，每條數據都會建立一個數據庫連接，這是對資源的極大浪費，因此，對于寫數據庫操作，我們應當使用foreachPartition算子。

與mapPartitions算子非常相似，foreachPartition是將RDD的每個分區(qū)作為遍歷對象，一次處理一個分區(qū)的數據，也就是說，如果涉及數據庫的相關操作，一個分區(qū)的數據只需要創(chuàng)建一次數據庫連接，如下圖所示：

foreachPartition 算子

使用了foreachPartition 算子后，可以獲得以下的性能提升：

對于我們寫的function函數，一次處理一整個分區(qū)的數據；

對于一個分區(qū)內的數據，創(chuàng)建唯一的數據庫連接；

只需要向數據庫發(fā)送一次SQL語句和多組參數；

在生產環(huán)境中，全部都會使用foreachPartition算子完成數據庫操作。foreachPartition算子存在一個問題，與mapPartitions算子類似，如果一個分區(qū)的數據量特別大，可能會造成OOM，即內存溢出。