spark性能优化点

1. 分配更多的资源
   1.1 分配哪些资源

1.2 在哪里可以设置这些资源
1.3 参数调节到多大，算是最大
分配更多的资源：
它是性能优化调优的王道，就是增加和分配更多的资源，这对于性能和速度上的提升是显而易见的，
基本上，在一定范围之内，增加资源与性能的提升，是成正比的；写完了一个复杂的spark作业之后，进行性能调
优的时候，首先第一步，就是要来调节最优的资源配置；在这个基础之上，如果说你的spark作业，能够分配的资源达到
了你的能力范围的顶端之后，无法再分配更多的资源了，公司资源有限；那么才是考虑去做后面的这些性能调优的点。
相关问题：
（1）分配哪些资源？
（2）在哪里可以设置这些资源？
（3）剖析为什么分配这些资源之后，性能可以得到提升？
executor‐memory、executor‐cores、driver‐memory
在实际的生产环境中，提交spark任务时，使用spark‐submit shell脚本，在里面调整对应的参数。
提交任务的脚本:
spark‐submit \
‐‐master spark://node1:7077 \
‐‐class cn.itcast.WordCount \
‐‐num‐executors 3 配置executor的数量
‐‐driver‐memory 1g 配置driver的内存（影响不大）
‐‐executor‐memory 1g 配置每一个executor的内存大小
‐‐executor‐cores 3 配置每一个executor的cpu个数
/export/servers/wordcount.jar
1.4 为什么调大资源以后性能可以提升

1. 提高并行度
   2.1 Spark的并行度指的是什么

第一种情况：standalone模式
先计算出公司spark集群上的所有资源 每台节点的内存大小和cpu核数，
比如：一共有20台worker节点，每台节点8g内存，10个cpu。
实际任务在给定资源的时候，可以给20个executor、每个executor的内存8g、每个executor的使用的cpu个数
10。
第二种情况：Yarn
先计算出yarn集群的所有大小，比如一共500g内存，100个cpu；
这个时候可以分配的最大资源，比如给定50个executor、每个executor的内存大小10g,每个executor使用的cpu
个数为2。
使用原则：你能使用的资源有多大，就尽量去调节到最大的大小（executor的数量：几十个到上百个不等；executor的
内存；exector的cpu个数）
2.2 如何提高并行度
2.2.1 可以设置task的数量
2.2.2 如何设置task数量来提高并行度
2.2.3 给RDD重新设置partition的数量
spark作业中，各个stage的task的数量，也就代表了spark作业在各个阶段stage的并行度！
当分配完所能分配的最大资源了，然后对应资源去调节程序的并行度，如果并行度没有与资源相匹配，那么导致你
分配下去的资源都浪费掉了。同时并行运行，还可以让每个task要处理的数量变少（很简单的原理。合理设置并行度，
可以充分利用集群资源，减少每个task处理数据量，而增加性能加快运行速度。）
举例说明：
假如， 现在已经在spark‐submit 脚本里面，给我们的spark作业分配了足够多的资源，比如50个executor ，每
个executor 有10G内存，每个executor有3个cpu core 。 基本已经达到了spark集群或者yarn集群上限。task没有
设置，或者设置的很少，比如就设置了100个task、50个executor、每个executor有3个core ，也就是说
Application 任何一个stage运行的时候，都有总数150个cpu core ，可以并行运行。
但是你现在只有100个task，平均分配一下，每个executor 分配到2个task，那么同时在运行的task，只有100个
task，每个executor 只会并行运行 2个task。 每个executor 剩下的一个cpu core 就浪费掉了！你的资源，虽然分
配充足了，但是问题是， 并行度没有与资源相匹配，导致你分配下去的资源都浪费掉了。合理的并行度的设置，应该要
设置的足够大，大到可以完全合理的利用你的集群资源； 比如上面的例子，总共集群有150个cpu core ，可以并行运
行150个task。那么你就应该将你的Application 的并行度，至少设置成150个，才能完全有效的利用你的集群资源，
让150个task并行执行，而且task增加到150个以后，即可以同时并行运行，还可以让每个task要处理的数量变少； 比
如总共150G的数据要处理， 如果是100个task ，每个task 要计算1.5G的数据。 现在增加到150个task，每个task只
要处理1G数据。
至少设置成与spark Application 的总cpu core 数量相同（最理想情况，150个core，分配150task，一起运
行，差不多同一时间运行完毕）官方推荐，task数量，设置成spark Application 总cpu core数量的2~3倍 。
比如150个cpu core ，基本设置task数量为300~500. 与理想情况不同的，有些task会运行快一点，比如50s就完
了，有些task 可能会慢一点，要一分半才运行完，所以如果你的task数量，刚好设置的跟cpu core 数量相同，可能会
导致资源的浪费。
因为比如150个task中10个先运行完了，剩余140个还在运行，但是这个时候，就有10个cpu core空闲出来了，导
致浪费。如果设置2~3倍，那么一个task运行完以后，另外一个task马上补上来，尽量让cpu core不要空闲。同时尽量
提升spark运行效率和速度。提升性能。
设置参数spark.defalut.parallelism
默认是没有值的，如果设置了值为10，它会在shuffle的过程才会起作用。
比如 val rdd2 = rdd1.reduceByKey(_+_)
此时rdd2的分区数就是10，rdd1的分区数不受这个参数的影响。
可以通过在构建SparkConf对象的时候设置，例如：
new SparkConf().set("spark.defalut.parallelism","500")