使用Spark有一段时间了，现在记录spark调优的一些经验。
1. textFile的minparitition，只是设置最小的partition数目，下界（比如3），当数据量大的时候，改参数不起作用。可以尝试设置成1000
2. reduceByKey的并行度，也就是reduce的数目。
2.1 shuffle的时候，生成的中间文件和heap大小跟reduce数目成正比。reduce数目太大，每个reduce 任务要和driver通信，容易导致driver OOM，和shuffle中间文件过多。reduce数目太小，每个executor（执行reduce task）需要装载大量数据，导致executor OOM。
3. 优化union。多个RDDunion时，如果每个RDD 的partition数目一致，union操作将被优化掉了。
4. 设置executor-memory和executor-cores，num-executors控制并发度，对运行速度影响很大
4.1 每个叶子节点（物理机）上可以执行多个yarn executor，每个executor可以设置executor-cores个线程，共享executor-memory内存。
4.2 线程数目（executor-cores）不宜超过3，否则容易导致executor OOM
4.3 executor-memory 越小，并发度越高，执行越快，但每个线程的memory越小，容易导致executor OOM
5. shuffle是重要的一部分，容易产生中间文件过多和OOM。参考文献http://www.cs.berkeley.edu/~kubitron/courses/cs262a-F13/projects/reports/project16_report.pdf
5.1 设置snnapy压缩取代lzf，减少map阶段内存使用量（400k/file -> 32k/file）。 spark.io.compression.codec org.apache.spark.io.SnnapyCompressionCodec
5.2 调低cache。conf spark.storage.memoryFraction=0.3，腾出更多的内存。
5.3 减少中间文件数量：spark.shuffle.consolidateFiles true，每个executor生成的文件数目是：C*R，而不是M*R。
5.4 减少map阶段生成中间文件消耗的buf。spark.shuffle.file.buffer.kb设成32 （kb）
5.5 减少Hash-based shuffle manager占用的内存，设置sort spark.shuffle.manager SORT
6. 找出性能瓶颈，内存，磁盘，cpu，和网络
6.1 内存瓶颈看 已使用的memory，free memory，executor memory，GC，full GC
6.2 磁盘瓶颈看 磁盘读写，磁盘等待
6.3 CPU瓶颈看 CPU曲线，cpu是否等待IO
6.4 网络瓶颈看 进出包量曲线
7. 避免partition数目过大导致reduce数目过大，缩减partition数目：coalesce(2500, false)
8. 分段调优