今天再来介绍一个小的优化点，是一个通过使用fastutil工具包对数据格式进行优化。首先来明确一个东西，什么是fastutil？
fastutil是一个Java集合框架的扩展，通过实现Java集合的接口，提供了特殊类型的map，list等等。通过使用fastutil可以使得对象占用更小的内存，更快的存取速度；通过这两个特点，我们可以将Spark作业中用的一些map,list等结构替换成fastutil来提高Spark作业的运行效率。fastutil的每一种集合类型，都实现了对应的Java中的标准接口（比如fastutil的map，实现了Java的Map接口），因此可以直接放入已有系统的任何代码中。
明确了fastutil以后，我们来看看其在Spark代码中的应用场景。
1.如果算子函数使用了外部变量；那么第一，你可以使用Broadcast广播变量优化；第二，可以使用Kryo序列化类库，提升序列化性能和效率；第三，如果外部变量是某种比较大的集合，那么可以考虑使用fastutil改写外部变量，首先从源头上就减少内存的占用，通过广播变量进一步减少内存占用，再通过Kryo序列化类库进一步减少内存占用
2.在一些RDD中，出现了要创建一些比较大的map，list等集合，有可能会占用比较大的内存空间；另一方面加上有可能涉及比较耗性能的遍历等操作，这个时候就可以考虑使用fastutil集合类来提高性能。
光说理论没什么卵用，我们来看看项目中到底是怎么使用的（这里结合我的项目，贴出部分代码），代码很简单，如下截图所示。
总结：在项目某些使用了map等集合的地方，如果这个集合较大，就可以考虑采用fastutil代替传统的map等结构，从而提高程序的运行效率。本文到这里基本接近尾声，后续还会不断更新关于Spark作业优化的一些其他方式，欢迎关注。
如需转载，请注明：
