apache spark：需要输入来优化我的代码

Question

我正在构建一个读取1.5 G数据并进行翻译的应用程序。我的代码框架如下。

//这里我传递一个id列表来读取4000个文件并形成所有记录的联合RDD并将其作为unionbioSetId返回

的run（）{

JavaRDD<String> unionbioSetId = readDirectory(ctx, groupAID, groupBID);
JavaRDD<String> temp= unionbioSetId.coalesce(6, false);

JavaPairRDD<String, Tuple3<Double, Double, Double>> flatRDD = temp.flatMapToPair(
new PairFlatMapFunction<String, String, String>() {
return Arrays.asList(new Tuple2<String, String>(key,value));
}}).groupByKey().mapToPair(new PairFunction<Tuple2<String, Iterable<String>>, // input 
String, // K
Tuple3<Double, Double, Double> // V
>() {
public Tuple2<String, Tuple3<Double, Double, Double>> call(
Tuple2<String, Iterable<String>> value) { 
}).filter(new Function<Tuple2<String, Tuple3<Double, Double, Double>>, Boolean>() {
}});// group by key and map to pair,sort by key
}
String hadoopOutputPathAsString = directory; 
flatRDD.saveAsTextFile(hadoopOutputPathAsString);
}

} /////////////// 执行人数：9 驱动程序内存：2g 执行者记忆：6g 执行者核心：12

我的程序运行速度比map / reduce（相同的代码框架）慢。任何人都可以帮助我优化上面的代码框架，使其更快。

Answer 1

请勿致电coalesce。您不需要更少的分区，您需要更多分区。您有108个工作核心，但如果使用6个分区，则只使用其中的6个。根据经验，您至少需要 3 * num_executors * cores_per_executor = 324 分区。

JavaRDD<String> temp = unionbioSetId.repartition(350);

或者根本不要改变分区数量。读取文件时，数据将通过Hadoop拆分进行分区。在许多情况下，这会提供良好的布局，您可以避免重新分区的成本。

一次阅读文件，而不是单独阅读，然后结合他们的联盟：sc.textFile("file1,file2,file3,...")或sc.textFile("dir/*")。这也可能会产生性能差异。