Spark性能優(yōu)化實(shí)戰(zhàn)

 
第1章  性能優(yōu)化基礎(chǔ) 1
1.1  Spark簡(jiǎn)介 1
1.2  什么是Spark性能優(yōu)化 1
1.3  Spark應(yīng)用程序性能指標(biāo) 2
1.4  自帶的Spark Web UI 5
1.4.1  Jobs模塊 6
1.4.2  Stages模塊 12
1.4.3  Storage模塊 16
1.4.4  Environment模塊 17
1.4.5  Executors模塊 18
1.4.6  SQL模塊 19
1.5  自帶的Spark歷史服務(wù)器 21
1.5.1  Spark歷史服務(wù)器簡(jiǎn)介 21
1.5.2  配置、啟動(dòng)和訪問Spark
歷史服務(wù)器 22
1.6  Spark事件日志 23
1.6.1  Spark的常見事件 23
1.6.2  事件信息 24
1.6.3  Spark啟動(dòng)事件分析案例 24
1.6.4  Spark事件日志的用途 25
1.6.5  CPU密集型與內(nèi)存密集型
分析案例 26
1.7  Spark驅(qū)動(dòng)程序日志 27
1.8  Spark Executor日志 28
1.8.1  Spark Executor日志簡(jiǎn)介 28
1.8.2  日志解析 28
1.8.3  配置Executor打印日志到
Driver節(jié)點(diǎn) 29
1.8.4  使用Executor完成時(shí)間異常
分析案例 30
1.9  Linux系統(tǒng)監(jiān)控工具 31
1.9.1  top命令 31
1.9.2  htop命令 32
1.9.3  iostat命令 32
1.9.4  vmstat命令 34
1.9.5  sar命令 35
1.9.6  Spark進(jìn)程的CPU和內(nèi)存
監(jiān)控案例 35
1.10  JVM監(jiān)控工具 36
1.10.1  JConsole監(jiān)控工具 37
1.10.2  JVisualVM監(jiān)控工具 38
1.10.3  使用JVisualVM定位內(nèi)存
泄漏案例 41
1.11  第三方工具Prometheus 42
1.11.1  Prometheus簡(jiǎn)介 42
1.11.2  Prometheus架構(gòu)的
工作原理 42
1.11.3  安裝Prometheus 43
1.11.4  使用Prometheus Web UI 46
1.11.5  基于PromQL磁盤的多維度
分析案例 47
1.12  第三方工具Grafana 48
1.12.1  Grafana簡(jiǎn)介 48
1.12.2  安裝Grafana 48
1.12.3  數(shù)據(jù)源和儀表盤 49
1.12.4  在Grafana中創(chuàng)建查詢和
可視化 52
1.12.5  監(jiān)控分析Spark指標(biāo)案例 55
1.13  Spark性能測(cè)試與驗(yàn)證 56
1.13.1  性能測(cè)試之基準(zhǔn)測(cè)試 56
1.13.2  性能測(cè)試之壓力測(cè)試 57
1.13.3  性能測(cè)試之資源測(cè)試 59
1.13.4  性能測(cè)試之基準(zhǔn)優(yōu)化測(cè)試 61
1.13.5  獲取測(cè)試數(shù)據(jù) 62
1.13.6  使用Spark MLlib生成電商網(wǎng)站
測(cè)試數(shù)據(jù)案例 64
1.13.7  性能測(cè)試工具SparkPerf 65
1.13.8  性能測(cè)試工具HiBench 68
1.13.9  ScalaCheck檢查屬性案例 70
1.13.10  準(zhǔn)確性驗(yàn)證之單元測(cè)試 71
1.13.11  準(zhǔn)確性驗(yàn)證之集成測(cè)試 73
1.13.12  準(zhǔn)確性驗(yàn)證之作業(yè)驗(yàn)證 75
1.14  Spark執(zhí)行計(jì)劃 77
1.14.1  Spark執(zhí)行計(jì)劃簡(jiǎn)介 77
1.14.2  Spark執(zhí)行計(jì)劃的生成
過程 78
1.14.3  執(zhí)行計(jì)劃中的邏輯計(jì)劃 80
1.14.4  執(zhí)行計(jì)劃中的物理計(jì)劃 84
1.14.5  Spark鎢絲計(jì)劃Tungsten 89
1.14.6  Spark階段劃分和
任務(wù)劃分 90
1.14.7  Spark執(zhí)行計(jì)劃的優(yōu)化和
調(diào)試 91
1.14.8  Spark執(zhí)行計(jì)劃的可視化 92
1.14.9  Shuffle性能瓶頸識(shí)別案例 93
1.15  Spark任務(wù)性能瓶頸的定位 94
1.15.1  性能瓶頸的定義和識(shí)別性能
瓶頸的意義 95
1.15.2  數(shù)據(jù)傾斜引發(fā)的性能問題 96
1.15.3  數(shù)據(jù)本地性問題 98
1.15.4  網(wǎng)絡(luò)瓶頸問題 100
1.15.5  內(nèi)存管理問題 102
1.15.6  垃圾回收問題 104
1.15.7  Spark長(zhǎng)時(shí)任務(wù)性能瓶頸
定位案例 105
第2章  Spark應(yīng)用程序性能優(yōu)化 107
2.1  程序設(shè)計(jì)優(yōu)化 107
2.1.1  數(shù)據(jù)模型策略優(yōu)化 107
2.1.2  緩存策略優(yōu)化 108
2.1.3  廣播變量策略優(yōu)化 109
2.1.4  累加器策略優(yōu)化 111
2.1.5  函數(shù)式編程策略優(yōu)化 113
2.1.6  全局變量策略優(yōu)化 115
2.1.7  程序設(shè)計(jì)優(yōu)化綜合案例 116
2.2  資源優(yōu)化 118
2.2.1  Spark資源管理的重要性 118
2.2.2  Spark內(nèi)存管理的
優(yōu)化技巧 119
2.2.3  Spark中的CPU優(yōu)化技巧 123
2.2.4  Spark磁盤管理的
優(yōu)化技巧 125
2.2.5  Spark Shuffle分配的
優(yōu)化技巧 125
2.2.6  Spark并行度與資源分配的
平衡 127
2.2.7  Spark分區(qū)策略優(yōu)化 129
2.2.8  Spark內(nèi)存溢出的
應(yīng)對(duì)策略 130
2.2.9  Spark Shuffle分配優(yōu)化
案例 131
2.3  網(wǎng)絡(luò)通信優(yōu)化 133
2.3.1  網(wǎng)絡(luò)通信架構(gòu)和組件 133
2.3.2  網(wǎng)絡(luò)通信協(xié)議和數(shù)據(jù)
傳輸方式 134
2.3.3  數(shù)據(jù)壓縮策略 135
2.3.4  序列化策略 137
2.3.5  網(wǎng)絡(luò)緩存策略 139
2.3.6  I/O優(yōu)化策略 140
2.3.7  帶寬限制和網(wǎng)絡(luò)擁塞控制 141
2.3.8  數(shù)據(jù)本地性優(yōu)化策略 142
2.3.9  網(wǎng)絡(luò)安全和認(rèn)證優(yōu)化 143
2.3.10  進(jìn)程本地化優(yōu)化案例 144
2.4  數(shù)據(jù)讀寫優(yōu)化 147
2.4.1  數(shù)據(jù)讀取的優(yōu)化技巧 147
2.4.2  數(shù)據(jù)寫入的優(yōu)化技巧 147
2.4.3  過濾數(shù)據(jù)的讀取優(yōu)化 148
2.4.4  分區(qū)讀取數(shù)據(jù)的優(yōu)化 149
2.4.5  批量寫入數(shù)據(jù)的優(yōu)化 150
2.4.6  并行寫入數(shù)據(jù)的優(yōu)化 152
2.4.7  列存儲(chǔ)數(shù)據(jù)的讀取優(yōu)化 153
2.4.8  數(shù)據(jù)預(yù)處理優(yōu)化技巧 154
2.4.9  數(shù)據(jù)存儲(chǔ)位置優(yōu)化技巧 154
2.4.10  內(nèi)存和磁盤數(shù)據(jù)緩存
優(yōu)化技巧 155
2.4.11  數(shù)據(jù)格式優(yōu)化技巧 156
2.4.12  轉(zhuǎn)換方式優(yōu)化技巧 157
2.4.13  索引數(shù)據(jù)讀取優(yōu)化技巧 159
2.4.14  數(shù)據(jù)讀寫錯(cuò)誤的處理和
容錯(cuò)技巧 160
2.4.15  Alluxio的使用 162
2.4.16  利用壓縮數(shù)據(jù)減少傳輸量
案例 166
第3章  Spark任務(wù)執(zhí)行過程優(yōu)化 169
3.1  調(diào)度優(yōu)化 169
3.1.1  資源管理器的基本原理 169
3.1.2  理解Spark資源管理器 171
3.1.3  資源分配策略 174
3.1.4  資源調(diào)度算法 176
3.1.5  集群資源池化技術(shù) 180
3.1.6  Docker容器 182
3.1.7  基于YARN的資源管理 184
3.1.8  基于Mesos的資源管理 188
3.1.9  基于Kubernetes的資源
管理 190
3.1.10  Spark資源利用率和性能
優(yōu)化案例 204
3.2  任務(wù)執(zhí)行器優(yōu)化 206
3.2.1  Spark任務(wù)執(zhí)行器組件簡(jiǎn)介 206
3.2.2  Spark任務(wù)執(zhí)行器的線程池
配置優(yōu)化 210
3.2.3  Spark任務(wù)執(zhí)行器的JVM參數(shù)
配置優(yōu)化 211
3.2.4  Spark任務(wù)執(zhí)行器的堆內(nèi)存
配置優(yōu)化 213
3.2.5  Spark任務(wù)執(zhí)行器的直接內(nèi)存
配置優(yōu)化 215
3.2.6  Spark任務(wù)執(zhí)行器的內(nèi)存分配
方式優(yōu)化 216
3.2.7  Spark任務(wù)執(zhí)行器的GC策略
配置優(yōu)化 218
3.2.8  Spark任務(wù)執(zhí)行器的資源隔離
配置優(yōu)化 219
3.2.9  Spark任務(wù)執(zhí)行器的容錯(cuò)機(jī)制
優(yōu)化 220
3.2.10  Spark任務(wù)線程池的并行度
提升和吞吐量增強(qiáng)案例 221
第4章  Spark SQL性能優(yōu)化 223
4.1  常用的查詢優(yōu)化 223
4.1.1  謂詞下推 223
4.1.2  窄依賴 224
4.1.3  聚合查詢優(yōu)化 224
4.1.4  Join查詢優(yōu)化 226
4.1.5  子查詢優(yōu)化 227
4.1.6  聯(lián)合查詢優(yōu)化 228
4.1.7  窗口函數(shù)優(yōu)化 229
4.1.8  排序查詢優(yōu)化 232
4.1.9  內(nèi)置函數(shù)優(yōu)化 232
4.1.10  Union連接優(yōu)化 233
4.1.11  表設(shè)計(jì)優(yōu)化 233
4.1.12  使用窗口函數(shù)實(shí)現(xiàn)高效的
分組統(tǒng)計(jì)案例 234
4.2  Spark 3.0的新特性 236
4.2.1  AQE的自動(dòng)分區(qū)合并 236
4.2.2  AQE的自動(dòng)傾斜處理 238
4.2.3  AQE的Join策略調(diào)整 239
4.2.4  DPP動(dòng)態(tài)分區(qū)剪裁 240
4.2.5  Join Hints的使用技巧 241
4.2.6  使用Join Hints解決數(shù)據(jù)傾斜
案例 244
4.3  Spark SQL數(shù)據(jù)傾斜優(yōu)化 245
4.3.1  廣播變量 245
4.3.2  采樣 246
4.3.3  手動(dòng)指定Shuffle分區(qū)數(shù) 248
4.3.4  隨機(jī)前綴和哈希 249
4.3.5  使用Map Join方法 251
4.3.6  預(yù)先聚合 253
4.3.7  排序 255
4.3.8  動(dòng)態(tài)重分區(qū) 257
4.3.9  手動(dòng)實(shí)現(xiàn)動(dòng)態(tài)重分區(qū)案例 258
4.4  特定場(chǎng)景優(yōu)化 259
4.4.1  大表連接小表 259
4.4.2  大表連接大表 262
4.4.3  窗口函數(shù)優(yōu)化 265
4.4.4  復(fù)雜邏輯和函數(shù)調(diào)用優(yōu)化 268
4.4.5  多表關(guān)聯(lián)查詢優(yōu)化 270
4.4.6  寬表查詢優(yōu)化 272
4.4.7  使用兩階段Shuffle解決傾斜
大表關(guān)聯(lián)案例 272
第5章  Spark性能優(yōu)化
案例分析 281
5.1  基于Spark的短視頻推薦系統(tǒng)
性能優(yōu)化 281
5.1.1  短視頻推薦系統(tǒng)概述 281
5.1.2  將Spark作為短視頻推薦系統(tǒng)的
計(jì)算框架 285
5.1.3  客戶端Push業(yè)務(wù) 287
5.1.4  Model_Server大寬表 288
5.1.5  推薦請(qǐng)求表ETL的優(yōu)化 289
5.1.6  Model_Server大寬表的
優(yōu)化 294
5.1.7  案例總結(jié) 296
5.2  基于Spark的航空數(shù)據(jù)分析系統(tǒng)性能
優(yōu)化 297
5.2.1  系統(tǒng)概述 297
5.2.2  性能評(píng)估與瓶頸分析 299
5.2.3  數(shù)據(jù)分區(qū)與存儲(chǔ)優(yōu)化 300
5.2.4  任務(wù)調(diào)度與資源管理 301
5.2.5  數(shù)據(jù)預(yù)處理與轉(zhuǎn)換優(yōu)化 302
5.2.6  查詢優(yōu)化與性能優(yōu)化 304
5.2.7  并行計(jì)算與調(diào)度優(yōu)化 305
5.2.8  監(jiān)控與優(yōu)化策略 306
第6章  不同場(chǎng)景的Spark性能
優(yōu)化 309
6.1  批處理模式的優(yōu)化策略 309
6.1.1  數(shù)據(jù)傾斜優(yōu)化之預(yù)聚合 309
6.1.2  數(shù)據(jù)傾斜優(yōu)化之鍵值對(duì)
重分區(qū) 313
6.1.3  數(shù)據(jù)傾斜優(yōu)化之調(diào)整分區(qū)
數(shù)量 314
6.1.4  數(shù)據(jù)傾斜優(yōu)化之廣播變量 316
6.1.5  數(shù)據(jù)傾斜優(yōu)化之動(dòng)態(tài)調(diào)整分區(qū)
大小 317
6.1.6  數(shù)據(jù)傾斜優(yōu)化之使用Map Join
方法 318
6.1.7  數(shù)據(jù)傾斜優(yōu)化之隨機(jī)前綴和
擴(kuò)容RDD 319
6.1.8  數(shù)據(jù)傾斜優(yōu)化之采樣傾斜
key 320
6.1.9  數(shù)據(jù)傾斜優(yōu)化之過濾特定
數(shù)據(jù) 322
6.1.10  數(shù)據(jù)傾斜優(yōu)化之組合策略 323
6.1.11  基于內(nèi)存的Shuffle操作
優(yōu)化 324
6.1.12  基于Sort的Shuffle操作
優(yōu)化 325
6.1.13  基于壓縮和序列化的Shuffle
操作優(yōu)化 326
6.1.14  基于增量式的Shuffle
操作優(yōu)化 326
6.2  流式處理場(chǎng)景的優(yōu)化策略 327
6.2.1  批處理間隔優(yōu)化 327
6.2.2  狀態(tài)管理優(yōu)化 328
6.2.3  窗口操作優(yōu)化 329
6.3  機(jī)器學(xué)習(xí)場(chǎng)景的優(yōu)化策略 330
6.3.1  模型訓(xùn)練優(yōu)化 330
6.3.2  特征工程優(yōu)化 331
第7章  Spark集成其他技術(shù)的
性能優(yōu)化 333
7.1  Spark與Hadoop整合優(yōu)化 333
7.1.1  數(shù)據(jù)讀寫優(yōu)化 333
7.1.2  數(shù)據(jù)存儲(chǔ)優(yōu)化 334
7.2  Spark與Kafka整合優(yōu)化 336
7.2.1  數(shù)據(jù)讀寫優(yōu)化 336
7.2.2  數(shù)據(jù)處理優(yōu)化 337
7.3  Spark與Elasticsearch的整合優(yōu)化 339
7.3.1  數(shù)據(jù)寫入和索引優(yōu)化 340
7.3.2  數(shù)據(jù)查詢和性能優(yōu)化 341
第8章  Spark性能優(yōu)化實(shí)踐 344
8.1  Spark應(yīng)用程序開發(fā)建議 344
8.1.1  代碼規(guī)范 344
8.1.2  數(shù)據(jù)分析 346
8.1.3  數(shù)據(jù)處理 348
8.2  Spark應(yīng)用程序優(yōu)化建議 349
8.2.1  數(shù)據(jù)壓縮 349
8.2.2  合理使用緩存 350
8.2.3  Shuffle操作 351
8.3  Spark集群管理的優(yōu)化建議 352
8.3.1  資源管理 352
8.3.2  任務(wù)調(diào)度 353
8.3.3  故障處理 354
結(jié)束語(yǔ) 356
Spark性能優(yōu)化實(shí)戰(zhàn)：突破性能瓶頸，遨游數(shù)據(jù)重洋
　　
目錄
　　
·VIII·
　　
　　
·IX·