性能優化 shuffle
spark.shuffle.file.buffer，默認32k
spark.shuffle.memoryFraction，0.2
map端內存緩衝，reduce端內存佔比；很多資料、網上視頻，都會說，這兩個參數，
是調節shuffle性能的不二選擇，很有效果的樣子，實際上，不是這樣的。
以實際的生產經驗來說，這兩個參數沒有那麼重要，往往來說，shuffle的性能不是因爲
這方面的原因導致的
但是，有一點點效果的，broadcast，數據本地化等待時長；這兩個shuffle調優的小點，
其實也是需要跟其他的大量的小點配合起來使用，一點一點的提升性能，最終很多個性能
調優的小點的效果，彙集在一起之後，那麼就會有可以看見的還算不錯的性能調優的效果。
默認情況下，shuffle的map task，輸出到磁盤文件的時候，統一都會先寫入每個task自己
關聯的一個內存緩衝區。
這個緩衝區大小，默認是32kb。
每一次，當內存緩衝區滿溢之後，纔會進行spill操作，溢寫操作，溢寫到磁盤文件中去
reduce端task，在拉取到數據之後，會用hashmap的數據格式，來對各個key對應的values進行匯聚。
針對每個key對應的values，執行我們自定義的聚合函數的代碼，比如_ + _（把所有values累加起來）
reduce task，在進行匯聚、聚合等操作的時候，實際上，使用的就是自己對應的executor的內存，
executor（jvm進程，堆），默認executor內存中劃分給reduce task進行聚合的比例，是0.2。
問題來了，因爲比例是0.2，所以，理論上，很有可能會出現，拉取過來的數據很多，那麼在內存中，
放不下；這個時候，默認的行爲，就是說，將在內存放不下的數據，都spill（溢寫）到磁盤文件中去。
原理說完之後，來看一下，默認情況下，不調優，可能會出現什麼樣的問題？
默認，map端內存緩衝是每個task，32kb。
默認，reduce端聚合內存比例，是0.2，也就是20%。
如果map端的task，處理的數據量比較大，但是呢，你的內存緩衝大小是固定的。
可能會出現什麼樣的情況？
每個task就處理320kb，32kb，總共會向磁盤溢寫320 / 32 = 10次。
每個task處理32000kb，32kb，總共會向磁盤溢寫32000 / 32 = 1000次。
在map task處理的數據量比較大的情況下，而你的task的內存緩衝默認是比較小的，32kb。
可能會造成多次的map端往磁盤文件的spill溢寫操作，發生大量的磁盤IO，從而降低性能。
reduce端聚合內存，佔比。默認是0.2。如果數據量比較大，reduce task拉取過來的數據很多，
那麼就會頻繁發生reduce端聚合內存不夠用，頻繁發生spill操作，溢寫到磁盤上去。而且最要命的是，
磁盤上溢寫的數據量越大，後面在進行聚合操作的時候，很可能會多次讀取磁盤中的數據，進行聚合。
默認不調優，在數據量比較大的情況下，可能頻繁地發生reduce端的磁盤文件的讀寫。
這兩個點之所以放在一起講，是因爲他們倆是有關聯的。數據量變大，map端肯定會出點問題；
reduce端肯定也會出點問題；出的問題是一樣的，都是磁盤IO頻繁，變多，影響性能。
調優：
調節map task內存緩衝：spark.shuffle.file.buffer，默認32k（spark 1.3.x不是這個參數，
後面還有一個後綴，kb；spark 1.5.x以後，變了，就是現在這個參數）
調節reduce端聚合內存佔比：spark.shuffle.memoryFraction，0.2
在實際生產環境中，我們在什麼時候來調節兩個參數？
看Spark UI，如果你的公司是決定採用standalone模式，那麼很簡單，你的spark跑起來，
會顯示一個Spark UI的地址，4040的端口，進去看，依次點擊進去，可以看到，你的每個stage的詳情，
有哪些executor，有哪些task，每個task的shuffle write和shuffle read的量，shuffle的磁盤和內存，
讀寫的數據量；如果是用的yarn模式來提交，課程最前面，從yarn的界面進去，點擊對應的application，
進入Spark UI，查看詳情。
如果發現shuffle 磁盤的write和read，很大。這個時候，就意味着最好調節一些shuffle的參數。
進行調優。首先當然是考慮開啓map端輸出文件合併機制。
調節上面說的那兩個參數。調節的時候的原則。spark.shuffle.file.buffer，每次擴大一倍，
然後看看效果，64，128；spark.shuffle.memoryFraction，每次提高0.1，看看效果。
不能調節的太大，太大了以後過猶不及，因爲內存資源是有限的，你這裏調節的太大了，
其他環節的內存使用就會有問題了。
調節了以後，效果？map task內存緩衝變大了，減少spill到磁盤文件的次數；reduce端聚合內存變大了，
減少spill到磁盤的次數，而且減少了後面聚合讀取磁盤文件的數量。