代码优化部分
- 多个Action计算最好基于同一个RDD进行计算操作, 并且对相同的RDD进行Cache操作，避免重复计算，增加任务的执行时间；并且持久化级别最好使用MEMORY_ONLY_SER来减少内存使用；
- 在使用join的地方看是否可以使用map算子和广播变量的方式替代；
- 使用高效的算子， 例如：
- 使用reduceByKey/aggregateByKey来代替groupByKey, 因为前者可以进行combiner操作，减少网络IO;
- 使用MapPartition来代替Map操作， 尤其是在需要网络连接的地方；
- 使用foreachPartition代替foreach操作，可以对数据进行批量处理；
- 在filter操作后，可以使用colease操作，可以减少任务数;
- 序列化尽量使用Kyro方式, 其性能更好;
- 减少对复杂数据结构的使用，可以有效减少序列化时间;
- 对应简单的函数，最好使用闭合结构，可以有效减少网络IO;
- 使用Repartition操作可以有效增加任务的处理并行度；
参数调整优化部分
经过实践验证，调整后有效的参数如下:
- 根据资源情况，可以添加Executor的个数来有效，参数为** spark.executor.instances **
- 调整每个Executor的使用内核数, 参数为** spark.executor.cores **
- 调整每个Executor的内存， 参数为** spark.executor.memory **
- shuffle write task的buffer大小， 参数为** spark.shuffle.file.buffer **
- shuffle read task的buffer大小， 参数为** spark.reducer.maxSizeInFlight **
- 每一个stage的task的默认并行度， 默认为200， 建议修改为1000左右， 参数 ** spark.default.parallelism **
- 用于RDD的持久化使用的内存比例，默认0.6, 参数 ** spark.storage.memoryFraction **
- 用户shuffle使用的内存比例， 默认为0.2， 参数 ** spark.shuffle.memoryFraction **
其它优化
- 增加数据读取的并行度，比如读取Kafka的数据， 可以增加topic的partition数量和executor的个数；
- 限制读取Kafka数据的速率，参数 ** spark.streaming.kafka.maxRatePerPartition **
- 对于存在数据倾斜问题，有两类情况:
- 进行join操作，产生skew问题， 可以使用map+广播变量类进行处理；
- 对redece/aggregate等聚合操作，参数skew问题， 可以进行两次聚合的思想来解决， 核心是先进行key进行随机数操作，是数据分布均匀，并进行聚合，最后是剔除随机数据，用实际数据来进行聚合操作。
