关于Spark框架性能优化的常见Tricks

1.使用reduceByKey/aggregateByKey替代groupByKey

groupByKey算子只是单纯对数据进行分组，而reduceByKey和aggregateByKey会先按照相同的key值合并数据，然后再进行分组，更适用于数据量大的场景。
groupByKey没有预先聚合，shuffle操作会更加严重。

2.用广播变量存储和处理外来数据

Driver每次分发任务的时候会把task和数据发送给各个Executor。因此，在每个Executor中，有多少个task就有多少个Driver端数据的副本。过多重复的副本会占用大量的内存，严重影响性能。而广播变量在最开始只保存了一个副本在Driver上，当task使用广播变量的时候，会从Driver拉取广播变量的副本，并保存在本地的BlockManager上。此后每次运行Executor上的task，Executor都会从本地的BlockManager获取广播变量的副本，如果本地没有，也可以从其他节点的BlockManager上拉取。由于广播变量的内容可以跨作业共享，且广播变量的存储不需要生成很多副本，所以广播变量的使用节省了内存空间，且增加了跨节点之间数据传输的速率。

3.collect函数容易导致内存不足

collect操作会将Executor的全部数据发送到Driver端，如果Driver端内存不足，会产生out of memory报错。我工作时用到的Driver端，内存只配了4G。当要处理的数据量很大的时候，使用toLocalIterator算子会更加合适。toLocalIterator以迭代器的方式处理数据，可以把数据按分区来进行迭代处理。

4.用mapPartitions代替map

map处理数据的时候，对数据进行的是逐个遍历，效率比mapPartitions低。

mapPartitions是对整个RDD的所有分区的数据，以迭代器的方式逐一进行操作，实现了批量处理。当数据量特别大的时候，只能用map，用mapPartitions可能会出现内存溢出。当数据量占用内存空间不太大的时候，如果为了提升执行效率，更推荐使用mapPartitions。

5.使用filter + coalesce操作

coalesce可以对数据进行重新分区，用来解决数据在每个分区不均匀的问题，且可以指定分区数和是否进行shuffle操作。重新分区可以减少任务调度成本，提高任务对RDD的处理速度。在coalesce前使用filter，可以减少coalesce任务处理的数据量，提升性能。

6.对多次使用的Rdd数据进行持久化

持久化常用的算子：Rdd.cache() & Rdd.persist()

如果RDD在一个计算任务中，需要被多次使用，使用cache算子或者persist算子可以把数据持久化，让数据被缓存在内存中。当RDD被持久化后，每个节点的其它分区都可以使用这个RDD在内存中进行计算。持久化的方式方便了不同分区间的数据读写，加快了RDD处理的速度。