spark-大表join优化方案
来源:互联网 发布:google 云计算 入华 编辑:程序博客网 时间:2024/04/19 09:13
数据量:
1~2G左右的表与3~4T的大表进行Join
拆分
将任务数据分为多个结果RDD,将各个RDD的数据写入临时的hdfs目录,最后合并
取所需的字段和数据,并去重,减少data shuffle的规模
调整并行度和shuffle参数
spark-submit 参数
#提高shuffle阶段的任务并行度,降低单个任务的内存占用--conf spark.default.parallelism=2000 #提高shuffle 缓冲区大小--conf spark.shuffle.file.buffer=128k #增加堆外内存大小--conf spark.yarn.executor.memoryOverhead=1g
增加资源
这就不细说了,num-executors 不是越多越好 有边界
优化数据倾斜
检查数据是否是skewed data,即join出的key value pair大小极度不均,解决方案可以参考:
https://zhuanlan.zhihu.com/p/21483985
阅读全文
0 0
- spark-大表join优化方案
- spark join broadcast优化
- spark join broadcast优化
- MySQL大表优化方案
- MySQL大表优化方案
- MySQL大表优化方案
- Mysql大表优化方案.
- MySQL 大表优化方案
- MySQL 大表优化方案
- MySQL 大表优化方案
- MySQL大表优化方案
- MySQL大表优化方案
- MySQL大表优化方案
- MySQL 大表优化方案
- MySQL 大表优化方案
- MySQL 大表优化方案
- MySQL大表优化方案
- MySQL大表优化方案
- CONNECT BY理解
- Android线程—Volatile关键字(一)
- mxnet学习序列
- Java多线程之同步类容器与并发容器
- H264编码和解码的问题——b intra refresh
- spark-大表join优化方案
- MVVM
- 删除已使用过且无法删除的替代
- Vue component-based application structure
- split
- linux中获取/更新Let’s encrypt 证书的脚本
- Adobe cc 2017 全系列软件下载 附破解安装教程
- 解决LinearLayout中控件不能居右对齐
- Cloudera Hive传统权限管理设置