sparkshuffle調優配置項如何使用？
1.在**中,不推薦使用，硬編碼。
new sparkconf().set(「spark.shuffle.file.buffer」,」64」)
2.在提交spark任務的時候，推薦使用。
spark-submit --conf spark.shuffle.file.buffer=64 –conf ….
3.在conf下的spark-default.conf配置檔案中,不推薦，因為是寫死後所有應用程式都要用。
spark.shuffle.file.buffer
預設值：32k
引數說明：該引數用於設定shuffle write task的bufferedoutputstream的buffer緩衝大小。將資料寫到磁碟檔案之前，會先寫入buffer緩衝中，待緩衝寫滿之後，才會溢寫到磁碟。
調優建議：如果作業可用的記憶體資源較為充足的話，可以適當增加這個引數的大小（比如64k），從而減少shuffle write過程中溢寫磁碟檔案的次數，也就可以減少磁碟io次數，進而提公升效能。在實踐中發現，合理調節該引數，效能會有1%~5%的提公升。
spark.reducer.maxsizeinflight
預設值：48m
引數說明：該引數用於設定shuffle read task的buffer緩衝大小，而這個buffer緩衝決定了每次能夠拉取多少資料。
調優建議：如果作業可用的記憶體資源較為充足的話，可以適當增加這個引數的大小（比如96m），從而減少拉取資料的次數，也就可以減少網路傳輸的次數，進而提公升效能。在實踐中發現，合理調節該引數，效能會有1%~5%的提公升。
spark.shuffle.io.maxretries
預設值：3
引數說明：shuffle read task從shuffle write task所在節點拉取屬於自己的資料時，如果因為網路異常導致拉取失敗，是會自動進行重試的。該引數就代表了可以重試的最大次數。如果在指定次數之內拉取還是沒有成功，就可能會導致作業執行失敗。
調優建議：對於那些包含了特別耗時的shuffle操作的作業，建議增加重試最大次數（比如60次），以避免由於jvm的full gc或者網路不穩定等因素導致的資料拉取失敗。在實踐中發現，對於針對超大資料量（數十億~上百億）的shuffle過程，調節該引數可以大幅度提公升穩定性。
shuffle file not find taskscheduler不負責重試task，由dagscheduler負責重試stage
spark.shuffle.io.retrywait
預設值：5s
引數說明：具體解釋同上，該引數代表了每次重試拉取資料的等待間隔，預設是5s。
調優建議：建議加大間隔時長（比如60s），以增加shuffle操作的穩定性。
spark.shuffle.memoryfraction
預設值：0.2
引數說明：該引數代表了executor記憶體中，分配給shuffle read task進行聚合操作的記憶體比例，預設是20%。
調優建議：在資源引數調優中講解過這個引數。如果記憶體充足，而且很少使用持久化操作，建議調高這個比例，給shuffle read的聚合操作更多記憶體，以避免由於記憶體不足導致聚合過程中頻繁讀寫磁碟。在實踐中發現，合理調節該引數可以將效能提公升10%左右。
spark.shuffle.manager
預設值：sort|hash
引數說明：該引數用於設定shufflemanager的型別。spark 1.5以後，有三個可選項：hash、sort和tungsten-sort。hashshufflemanager是spark 1.2以前的預設選項，但是spark 1.2以及之後的版本預設都是sortshufflemanager了。tungsten-sort與sort類似，但是使用了tungsten計畫中的堆外記憶體管理機制，記憶體使用效率更高。
調優建議：由於sortshufflemanager缺省會對資料進行排序，因此如果你的業務邏輯中需要該排序機制的話，則使用預設的sortshufflemanager就可以；而如果你的業務邏輯不需要對資料進行排序，那麼建議參考後面的幾個引數調優，通過bypass機制或優化的hashshufflemanager來避免排序操作，同時提供較好的磁碟讀寫效能。這裡要注意的是，tungsten-sort要慎用，因為之前發現了一些相應的bug。
spark.shuffle.sort.bypassmergethreshold
預設值：200
引數說明：當shufflemanager為sortshufflemanager時，如果shuffle read task的數量小於這個閾值（預設是200），則shuffle write過程中不會進行排序操作，而是直接按照未經優化的hashshufflemanager的方式去寫資料，但是最後會將每個task產生的所有臨時磁碟檔案都合併成乙個檔案，並會建立單獨的索引檔案。
調優建議：當你使用sortshufflemanager時，如果的確不需要排序操作，那麼建議將這個引數調大一些，大於shuffle read task的數量。那麼此時就會自動啟用bypass機制，map-side就不會進行排序了，減少了排序的效能開銷。但是這種方式下，依然會產生大量的磁碟檔案，因此shuffle write效能有待提高。
spark.shuffle.consolidatefiles
預設值：false
引數說明：如果使用hashshufflemanager，該引數有效。如果設定為true，那麼就會開啟consolidate機制，會大幅度合併shuffle write的輸出檔案，對於shuffle read task數量特別多的情況下，這種方法可以極大地減少磁碟io開銷，提公升效能。
調優建議：如果的確不需要sortshufflemanager的排序機制，那麼除了使用bypass機制，還可以嘗試將spark.shffle.manager引數手動指定為hash，使用hashshufflemanager，同時開啟consolidate機制。在實踐中嘗試過，發現其效能比開啟了bypass機制的sortshufflemanager要高出10%~30%。
spark shuffle細則及調優
什麼是spark shuffle 問題 每乙個key對應的value不一定都是在乙個partition中，也不太可能在同乙個節點上，因為rdd是分布式 的彈性的資料集，他的partition極有可能分布在各個節點上。如何聚合？shuffle write 上乙個stage的每個map task就必須保...
sparkshuffle應該如何調優
1 sparkconf.set spark.shuffle.file.buffer 64k 不建議使用，因為這麼寫相當於硬編碼 最高 2 在conf spark defaults.conf 不建議使用，相當於硬編碼 第三 3 spark submit conf spark.shuffle.file....
Spark Shuffle記憶體分析
分布式系統裡的shuffle 階段往往是非常複雜的，而且分支條件也多，我只能按著我關注的線去描述。肯定會有不少謬誤之處，我會根據自己理解的深入，不斷更新這篇文章。前言用spark寫程式，乙個比較蛋疼的地方就是oom，或者gc嚴重，導致程式響應緩慢，一般這種情況都會出現在shuffle階段。shuff...