Spark性能调优与原理分析

本书以Spark内部实现原理为指导，使用了大量图表来描述Spark各个环节的运行过程，对其运行过程中的每个组件进行详细剖析。以理论指导各种参数的调节，以结果证明理论的正确性。本书各个章节的理论分析能够使读者更加快速的定位程序运行的瓶颈，解决实际生产中的问题。本书配有教学课件、教学大纲等丰富的配套资源。本书具有目标针对性强、内容与时俱进、理论结合实践等特点。本书既可以作为Spark开发者学习指导、深入理解Spark内核、调优实践的参考，也可以作为高等院校计算机与软件相关专业的教材。

本书主要介绍了Spark运行原理及性能调优的相关实践， 从Spark框架内部及外部运行环境等不同角度分析Spark性能调优的过程。 第1章介绍了Linux系统中各种监控工具的使用，对CPU、内存、网络、I/O等方面进行介绍， 并提供了集群监控报警的解决方案。 第2章介绍了Java虚拟机（JVM）的基本知识、垃圾回收机制，以及对JVM运行状态的监控。 第3章和第4章介绍了Spark内核架构、任务运行的流程，对各个组件的实现进行了深入的剖析。尤其在Spark 内存管理、存储原理、Shuffle阶段，详细介绍了每个实现的细节，这些实现的细节为后期Spark性能调优提供了参数调节的理论依据。 第5章介绍了Spark性能调优的详细实践过程，首先介绍了SparkUI和Spark日志的使用，通过这两项可以迅速定位瓶颈问题； 然后根据定位的问题，分别从程序调优、资源调优、Shuffle过程调优等不同角度介绍了调优的实践过程。 本书在理论部分提供了大量的概念原理图、运行流程图，在实践部分提供了大量的示例。让读者对性能的调节不 仅停留在参数调节的层面，而且能理解每个参数的修改对程序的内部运行产生 的影响。 本书既可以作为Spark开发者的参考用书，也可以作为高等院校计算机与软件相关专业的教材。

1986-1992： 北方交通大学讲师； 1992-1994： 比利时VUB大学应用信息技术硕士； 1994-1996： 比利时VUB大学MBA； 1996-2003： IT公司项目经理 2003-至今： 北航软件学院副教授。已出版二十几本教材（其中“计算机导论实践教程”一书获北航2010年教学成果三等奖；“大学计算机英语教程”获北航2012年教学成果二等奖。 主讲课程： 计算机导论、软件工程、职业生涯规划等。

第1章常用工具简介
1.1Linux中的性能监控命令
1.1.1程序准备
1.1.2top命令
1.1.3htop命令
1.1.4vmstat命令
1.1.5iostat命令
1.1.6iftop命令
1.2Prometheus
1.2.1Prometheus简介
1.2.2Prometheus的组成
1.2.3Prometheus的安装及配置
1.2.4监测服务器
1.3Grafana
1.3.1Grafana简介
1.3.2Grafana的安装
1.3.3Grafana服务器监控
1.4Alluxio的使用
1.4.1Alluxio简介
1.4.2Alluxio的安装
1.4.3Alluxio与Spark集成
1.5本章小结
第2章Java虚拟机简介
2.1Java虚拟机基本结构
2.1.1PC寄存器
2.1.2Java堆
2.1.3Java虚拟机栈
2.1.4方法区
2.1.5本地方法栈
2.2Java常用选项
2.2.1Java选项分类
2.2.2标准选项
2.2.3非标准选项
2.2.4高级运行时选项
2.2.5高级垃圾回收选项
2.3垃圾回收机制
2.3.1什么是垃圾对象
2.3.2垃圾回收算法
2.3.3垃圾收集器
2.4JDK自带命令行工具
2.4.1jps命令
2.4.2jstat命令
2.4.3jinfo命令
2.4.4jmap命令
2.4.5jhat命令
2.4.6jstack命令
2.4.7jcmd 命令
2.4.8jstatd命令
2.5JVM监控工具
2.5.1JConsole
2.5.2Visual VM
2.5.3Prometheus监控JVM
第3章Spark内核架构
3.1Spark编程模型
3.1.1RDD概述
3.1.2RDD的基本属性
3.1.3RDD的缓存
3.1.4RDD容错机制
3.1.5Spark RDD操作
3.1.6源码分析
3.2Spark组件简介
3.2.1术语介绍
3.2.2Spark RPC原理
3.2.3Driver简介
3.2.4Executor简介
3.2.5Spark运行模式
3.2.6存储简介
3.2.7源码分析
3.3Spark作业执行原理
3.3.1整体流程
3.3.2Job提交
3.3.3Stage划分
3.3.4Task划分
3.3.5Task提交
3.3.6Task执行
3.3.7Task结果处理
3.3.8源码分析
3.4Spark内存管理
3.4.1内存使用概述
3.4.2内存池的划分
3.4.3内存管理
3.4.4源码分析
3.5Spark存储原理
3.5.1存储模块架构
3.5.2磁盘存储实现
3.5.3内存存储实现
3.5.4块管理器
3.5.5源码分析
第4章Shuffle详解
4.1为什么需要Shuffle
4.1.1Shuffle的由来
4.1.2Shuffle实现的目标
4.2Spark执行Shuffle的流程
4.2.1总体流程
4.2.2ShuffleRDD的生成
4.2.3Stage的划分
4.2.4Task的划分
4.2.5Map端写入
4.2.6Reduce端读取
4.3Shuffle内存管理
4.3.1任务内存管理器
4.3.2内存消费者
4.3.3内存消费组件
4.3.4Tungsten内存管理
4.3.5Tungsten内存消费组件
4.4ShuffleWrite
4.4.1HashShuffleManager
4.4.2HashShuffleWriter
4.4.3SortShuffleManager
4.4.4BypassMergeSortShuffleWriter
4.4.5SortShuffleWriter
4.4.6UnsafeShuffleWriter
4.5ShuffleRead
4.5.1获取ShuffleReader
4.5.2拉取Map端数据
4.5.3数据聚合
4.5.4key排序
第5章Spark性能调优
5.1Spark任务监控
5.1.1SparkUI使用
5.1.2Spark运行日志详解
5.2Spark程序调优
5.2.1提高并行度
5.2.2避免创建重复的RDD
5.2.3RDD持久化
5.2.4广播大变量
5.2.5使用高性能序列化类库
5.2.6优化资源操作连接
5.3Spark资源调优
5.3.1CPU分配
5.3.2内存分配
5.3.3提高磁盘性能
5.3.4Executor数量的权衡
5.3.5Spark管理内存比例
5.3.6使用Alluxio加速数据访问
5.4Shuffle过程调优
5.4.1Map端聚合
5.4.2文件读写缓冲区
5.4.3Reduce端并行拉取数量
5.4.4溢写文件上限
5.4.5数据倾斜调节
5.5外部运行环境
参考文献