痛苦调优10小时，我把 Spark 脚本运行时间从15小时缩短到12分钟！

<!-- 痛苦调优10小时，我把 Spark 脚本运行时间从15小时缩短到12分钟！ -->

周一我就有个困惑，还写成文章了：如何从 Spark 的 DataFrame 中取出具体某一行，里面提了自己猜想的几种解决方案。

没想到这么快就要面对这个问题了，我用小孩子都听得懂的例子描述一下我在干什么。

简单生动小例子

说一所小学有好几个班级，现在要 以班级为单位 给孩子们按照身高进行排序，并且记录下来。

问题就是，全学校只有一条测身高的尺子，而且因为孩子们过于顽劣等主客观因素，测量身高、按身高排序、登记身高这些过程，必须在一间教室里进行。 没有被轮到测量的班级，就在操场活动。

而最让老师感到头疼的是：组织孩子们进教室这一过程。测身高呀、记录呀、排序呀，都用不了几分钟，唯独让孩子们进教室这件事，要让老师们使出九牛二虎之力，而且特别耗时。

好消息是，组织一个班进教室，和组织一百个班同时进教室，花费的时间差不多。 因此，一般来讲，老师都是直接把所有学生全部叫进这间教室来的。

但是我面临一个棘手的情况。我的操场上，有 2200 个班级，每个班级有 16 万人。我的教室也很大，但是肯定装不下 2200 × 16 万人 ≈ 3 亿人。

于是我就想着，我一个班一个班测，这是最直观的、最好管理的。

“来，一班，进教室！”...花了十几分钟才都叫进来...花了几十秒就都测好了、排好序了、记录好了...“好了！一班出去！二班进来！”...

如此往复，等到了第 2200 个班的时候，已经过去了快一个月...

内位看官讲话了：你把他们都叫进来不就行了？反正前面有条件：『组织一个班进教室，和组织一百个班同时进教室，花费的时间差不多。』

有道理，这就是我上午在做的事：把教室修大一点。

我请了土地局的人、请了工程师、请了施工队，尝试了各种方法，每次费尽力气修好（能容纳 5 亿人那种），教室就因为各种原因塌了。

唉！我计算过，理论上明明可以建成的呀！

我就不甘心，就一直尝试，反反复复，然后几小时过去了。

这是又有位看官讲话了：别修教室了，你把孩子们分成几批，一次叫几个班进教室不就得了！

有道理，可是这样原有的管理逻辑需要改一部分，着实花费了我一些时间。此外，还花了大量时间 debug 。

我初步设置为 100 班为一批进教室：

• 原来我需要做『喊孩子们进教室』这件事 2200 次（每个班含一次）
• 现在我只做『喊孩子们进教室』这件事 22 次，你看看，是不是快了 100 倍

对照解释

上面其实就是我做的事的简化版，其中：

• 「教室」就是计算机的「内存」，你得把数据拿进内存才能对其进行排序什么的计算
• 「进教室」就是计算机的「IO操作」，计算机的内存很贵，一般的电脑都是 8G、16G 这种，而硬盘相对便宜，有 256G、512G，甚至几个 T 之多，因此数据一般都放在硬盘上，需要用时，在读到内存里，这个读的过程叫做「IO操作」
• 「IO操作」相比计算，相当耗费时间

以下是我的工作日志节选（脱敏版）：

首先我是『把每个班级单独叫进教室』，很耗时。

7月19日早上大概9:30开始的，到7月20日半夜0:23结束，一共 2200 列，每一列都有 160000 个数据，都要进行排序操作，还涉及到 IO 操作，一共用时 15 小时。这其中用时为 IO时间 和 对每一列处理时间：

$$\alpha \times time_{\text{IO}} * 列 + \beta \times 行 \log_2{行}$$

而其中，相比 IO ，计算时间（比如排序）可以忽略不计，因此时间可以记为

$$\alpha \times time_{\text{IO}} * 列$$

于是我想着，能不能『把所有班级一下全叫进教室』，毕竟：

• 我的机器内存有 8G
• 数据顶多使用 4G

我开始着手「扩大教室」，尝试了很多，和配置文件 .conf 、 spark-shell 、 spark-env.cmd 、 JVM -Xmx4g 等等这种资料、操作大战了一上午，无果。

我认为我的尝试产生了效果，因为原有的错误不报了， collect 这个过程也能走完（孩子们都能进教室，之前是进不去的），但是一旦涉及到操作（collect 结束后会卡顿很久，无法返回应有的 Array），就会爆 JVM heap 。此外，经过一些其他调整后，不爆 heap 了，爆 GC overhead limit exceeded 这种垃圾回收问题。

那我有理由怀疑是性能被硬件限制了。

于是我考虑：『把孩子们分成几批，一次叫几个班进教室』。

有很多 bug ，我最后选择的是一次叫 100 个班级，用时大概 12 分钟。

“调优”结束。

总体来看，思路上几乎没什么难度，花费了这么多时间，主要是因为：

• 不甘心自己的某个思路不可行，一股脑硬试下去
• 经验不足

啊！要是用时15小时的代码不是1个月前的我写的，而是别人写的，那我把他调到 12 分钟，还显得我蛮厉害的🤣 开个玩笑，我希望大家写出的代码都是很棒的，这样咱们都可以节省出时间休息😑

好了，回去睡觉了，明天还得接着给“孩子们”做别的工作；而且还有另一所学校另一个工作（同时被领导安排两个工作并行有点难顶啊）。

我是小拍，天津大学研究生在读，微信 PiperLHJ ，如果您也在从事 Spark 相关工作，务必加我微信，我非常需要高手让我骚扰😅

别忘了点在看~