Spark优化和问题

优化

spark sql 优化

1. 在配置SparkSQL任务时指定executor核心数 建议为4 (同一executor[进程]内内存共享,当数据倾斜时,使用相同核心数与内存量的两个任务,executor总量少的任务不容易OOM,因为单核心最大可用内存大.但是并非越大越好,因为单个exector最大core受服务器剩余core数量限制,过大的core数量可能导致资源分配不足)
2. 设置spark.default.parallelism=600 每个stage的默认task数量 (计算公式为num-executors * executor-cores 系统默认值分区为40,这是导致executor并行度上不去的罪魁祸首,之所以这样计算是为了尽量避免计算最慢的task决定整个stage的时间,将其设置为总核心的2-3倍,让运行快的task可以继续领取任务计算直至全部任务计算完毕)
3. 开启spark.sql.auto.repartition=true 自动重新分区 (每个stage[阶段]运行时分区并不尽相同,使用此配置可优化计算后分区数,避免分区数过大导致单个分区数据量过少,每个task运算分区数据时时间过短,从而导致task频繁调度消耗过多时间)
4. 设置spark.sql.shuffle.partitions=400 提高shuffle并行度 (shuffle read task的并行度)
5. 设置spark.shuffle.service.enabled=true 提升shuffle效率 --!并未测试 (Executor 进程除了运行task 也要进行写shuffle 数据,当Executor进程任务过重时,导致GC不能为其他Executor提供shuffle数据时将会影响效率.此服务开启时代替Executor来抓取shuffle数据)

//1.下列Hive参数对Spark同样起作用。
set hive.exec.dynamic.partition=true; // 是否允许动态生成分区
set hive.exec.dynamic.partition.mode=nonstrict; // 是否容忍指定分区全部动态生成
set hive.exec.max.dynamic.partitions = 100; // 动态生成的最多分区数

//2.运行行为
set spark.sql.autoBroadcastJoinThreshold; // 大表 JOIN 小表，小表做广播的阈值
set spark.dynamicAllocation.enabled; // 开启动态资源分配
set spark.dynamicAllocation.maxExecutors; //开启动态资源分配后，最多可分配的Executor数
set spark.dynamicAllocation.minExecutors; //开启动态资源分配后，最少可分配的Executor数
set spark.sql.shuffle.partitions; // 需要shuffle是mapper端写出的partition个数
set spark.sql.adaptive.enabled; // 是否开启调整partition功能，如果开启，spark.sql.shuffle.partitions设置的partition可能会被合并到一个reducer里运行
set spark.sql.adaptive.shuffle.targetPostShuffleInputSize; //开启spark.sql.adaptive.enabled后，两个partition的和低于该阈值会合并到一个reducer
set spark.sql.adaptive.minNumPostShufflePartitions; // 开启spark.sql.adaptive.enabled后，最小的分区数
set spark.hadoop.mapreduce.input.fileinputformat.split.maxsize; //当几个stripe的大小大于该值时，会合并到一个task中处理

//3.executor能力
set spark.executor.memory; // executor用于缓存数据、代码执行的堆内存以及JVM运行时需要的内存
set spark.yarn.executor.memoryOverhead; //Spark运行还需要一些堆外内存，直接向系统申请，如数据传输时的netty等。
set spark.sql.windowExec.buffer.spill.threshold; //当用户的SQL中包含窗口函数时，并不会把一个窗口中的所有数据全部读进内存，而是维护一个缓存池，当池中的数据条数大于该参数表示的阈值时，spark将数据写到磁盘
set spark.executor.cores; //单个executor上可以同时运行的task数

问题：

driver拉去数据量过大：

报错信息：spark.driver.maxResultSize

问题原因：样本不均衡

解决办法：将spark.driver.maxResultSize设置更大一点

spark.driver.maxResultSize 4G

因为作业内存不足，导致GC，GC可能导致executor与AM通信超时，故AM认为executor挂了，会发停止的signal

报错信息：worker机器，ERROR SIGTERM handler CoarseGrainedExecutorBackend: RECEIVED SIGNAL TERM

问题原因：设置了动态资源配置导致的

解决办法：

1. 增加心跳时长：spark.executor.heartbeatInterval=30

2. 关闭动态资源配置

--conf spark.network.timeout=600 \
--conf spark.sql.shuffle.partitions=100 \
--conf hive.exec.dynamic.partition=true \
--conf spark.executor.heartbeatInterval=30 \

解决pandas转dataframe的问题

报错信息：TypeError: Can not merge type <class 'pyspark.sql.types.StringType'> and <class 'pyspark.sql.types.DoubleType'>

问题原因：pandas有为空的数据，空值为np.NaN，spark无法识别

解决办法： 需要进行空值处理和数量类型处理

# 空值处理
 fillna_value = {
     "time_id": 0,
     "hex_type_danger_score": "-",
 }
 print("空值处理")
 danger_score_to_platform_df = danger_score_to_platform_df.fillna(fillna_value)
 print(danger_score_to_platform_df.head())

print("数据类型处理")
astype_value = {
    "time_id": int,
    "city_id": int,
}
# 数据类型处理
for columns, dtype in astype_value.items():
    danger_score_to_platform_df[columns] = danger_score_to_platform_df[columns].astype(dtype)

解决array数据类型保持到csv保存的问题

报错信息：java.lang.UnsupportedOperationException: CSV data source does not support array<string> data type.

问题原因：spark中存在array相关的数据类，csv无法识别

解决方案：将array类型数据转化为string

from pyspark.sql.types import StringType

for dtype in result_df.dtypes:
   column = dtype[0]
   data_type = dtype[1]
   print(dtype[0], dtype[1])
   if "array" in str(data_type):
#     if "double" in str(data_type):
       result_df = result_df.withColumn(column, result_df[column].cast(StringType()))

解决spark依赖的UDF jar包问题

报错信息：u"Error while instantiating 'org.apache.spark.sql.hive.HiveSessionStateBuilder':"

问题原因：spark 提交参数中的jars包含org.apache.hadoop和org.apache.spark相关的jar包

解决方案：jar包中不加入hadoop和spark相关的包， maven中：加入<scope>provided</scope >， 还注意多个jar包时，需要逗号隔开，

如： --jars "viewfs:///user/hadoop-shangchao/user_upload/hex-udf-0.1.jar,viewfs:///user/hadoop-shangchao/user_upload/zhuyong05_SafeDispatchUDF-1.0.jar"

​

解决spark执行持久化过程报错：

报错信息： py4j.protocol.Py4JJavaError: An error occurred while calling o151.csv.

: org.apache.spark.SparkException: Job aborted.

问题原因：暂时未弄清楚

解决方案： spark-submit增加几个配置参数

解决spark执行持久化过程报错：

报错信息： py4j.protocol.Py4JJavaError: An error occurred while calling o151.csv.

: org.apache.spark.SparkException: Job aborted.

问题原因：暂时未弄清楚

解决方案： spark-submit增加几个配置参数

--conf spark.yarn.job.priority=1  \
--conf spark.dynamicAllocation.maxExecutors=100 \
--conf spark.network.timeout=600 \
--conf spark.driver.maxResultSize=4G \
--conf spark.sql.shuffle.partitions=100 \
--conf hive.exec.dynamic.partition=true \
--conf spark.executor.heartbeatInterval=120 \