- 综合排序
- 最热优先
- 最新优先
- 来自专栏简单聊聊Spark
Spark性能调优九之常用算子调优
前面介绍了很多关于Spark性能的调优手段，今天来介绍一下Spark性能调优的最后一个点，就是关于Spark中常用算子的调优。 mapPartitions优化 2.filter操作之后使用coalesce算子提高性能 先看看默认情况下，执行完filter操作以后的各个partition的情况，如下图所示； ? coalesce算子就是针对上述出现的问题的一个解决方案，下图是一个解决案例。 ? 就是使用repartition算子，对SparkSQL查询出来的数据重新进行分区操作，此时可以增加分区的个数。具体使用如下图所示： ? 总结：关于RDD算子的优化，就先讲到这里。 关于整个Spark调优，基本先告一段落，后面会介绍一些Spark源码分析的知识，欢迎关注。 如需转载，请注明： z小赵 Spark性能调优九之常用算子调优
1.4K10发布于 2018-09-05 - 来自专栏不温卜火
Spark性能优化 (2) | 算子调优
一. mapPartitions 普通的 map 算子对 RDD 中的每一个元素进行操作，而 mapPartitions 算子对 RDD 中每一个分区进行操作。 因此，mapPartitions算子适用于数据量不是特别大的时候，此时使用mapPartitions算子对性能的提升效果还是不错的。 算子。 我们需要coalesce算子。 四. repartition解决 SparkSQL 低并行度问题 在第一节的常规性能调优中我们讲解了并行度的调节策略，但是，并行度的设置对于Spark SQL是不生效的，用户设置的并行度只对于Spark
1.7K20发布于 2020-10-28 Sparse FlashAttention 算子架构分析与调优技巧
算子设计Sparse FlashAttention算子的设计充分结合了FlashAttention的融合思想和稀疏计算特点。 与传统将这些步骤拆分为多个算子不同，融合算子通过在UB缓冲区反复利用小块数据，实现了计算与数据搬运的高度重叠，并避免了中间大矩阵的物理落地，大幅提升了算子算力和带宽利用率。 Ascend优化实践中通常采用\自适应块大小调优：根据硬件的L0/UB大小和向量寄存器宽度，计算出适合当前模型和硬件的最佳(block_m, block_n, block_k)分块维度，并确保这些维度对齐硬件向量宽度以避免向量指令处理 调优策略与结果Ascend平台的Sparse FlashAttention实现中采用了一系列调优策略，并取得了显著的性能收益。 调优过程中，通过分析算子时间线发现Cube（矩阵乘法）和Vector（激活函数等）之间存在空闲等待，于是采用**CV流水优化：让Cube一次性计算多个块的部分结果并暂存，然后Vector端分次取出处理。
45610编辑于 2026-01-13- 来自专栏五分钟学大数据
Spark性能调优-RDD算子调优篇（深度好文，面试常问，建议收藏）
Spark调优之RDD算子调优 1. RDD复用 在对RDD进行算子时，要避免相同的算子和计算逻辑之下对RDD进行重复的计算，如下图所示： ? 因此，mapPartitions算子适用于数据量不是特别大的时候，此时使用mapPartitions算子对性能的提升效果还是不错的。 算子。 我们需要coalesce算子。 9.
1K10发布于 2021-04-01 - 来自专栏crmeb
9 个 Java 性能调优技巧，YYDS！
在我们学习特定的 Java 编程性能调优之前，先来探讨一些通用的技巧。1. 在明确必要之前别急着优化这可能是最重要的性能优化技巧之一。你应该遵循常见的最佳实践做法并在案例中高效地应用它。 常见的通用调优技巧到此结束。接下来让我们仔细看看一些特定于 Java 的技巧。5. 使用 StringBuilder 以编程方式连接字符串在 Java 中有很多不同的选项来连接字符串。 所以，最后，这段代码在日志文件中写入 “This is a test0 1 2 3 4 5 6 7 8 9” 。 Apache Commons StringUtils.Replace 而不是 String.replace一般来说，String.replace 方法可以正常工作，并且效率很高，尤其是在你使用 Java 9 thistest.replace(“test”, “simple test”);// with thisStringUtils.replace(test, “test”, “simple test”);9.
47540编辑于 2022-07-07 - 来自专栏Java后端技术栈cwnait
Java 9 中的 GC 调优基础
本文将主要讲解GC调优需要知道的一些基础知识，会涉及到一些GC的实现细节，但不会对实现细节做很全面的阐述，如果你看完本文之后，能对GC有一个大致的认识，那本文的写作目的也就达到了。 本文将包含以下内容： GC的作用范围 GC负责的事情 JVM中的4种GC G1的一些细节 使用Java 9正式版对G1进行测试 一些简单的GC调优方法 一、GC的作用范围 要谈GC的作用范围，首先要谈JVM GC，Java 9中默认使用G1。 一些简单的GC调优方法 1. 使用不同的索引对象 引用的类型会直接影响其所引用对象的GC行为，当要做一些内存敏感的应用时，可以参考使用合适的引用类型。 在Parallel里，可以通过参数调节最大停止时间（-XX:MaxGCPauseMillis，默认无设置）和吞吐量（-XX:GCTimeRatio，默认值是99，即最大使用1%的时间来做垃圾回收）来调优
79840发布于 2019-08-02 - 来自专栏java一日一条
Java 9 中的 GC 调优基础
本文将主要讲解GC调优需要知道的一些基础知识，会涉及到一些GC的实现细节，但不会对实现细节做很全面的阐述，如果你看完本文之后，能对GC有一个大致的认识，那本文的写作目的也就达到了。 本文将包含以下内容： GC的作用范围 GC负责的事情 JVM中的4种GC G1的一些细节 使用Java 9正式版对G1进行测试 一些简单的GC调优方法 一、GC的作用范围 要谈GC的作用范围，首先要谈JVM 一些简单的GC调优方法 1. 使用不同的索引对象 引用的类型会直接影响其所引用对象的GC行为，当要做一些内存敏感的应用时，可以参考使用合适的引用类型。 在Parallel里，可以通过参数调节最大停止时间（-XX:MaxGCPauseMillis，默认无设置）和吞吐量（-XX:GCTimeRatio，默认值是99，即最大使用1%的时间来做垃圾回收）来调优 G1提供了丰富的基于不同目的的可调优的参数，列表如下： ?
71920发布于 2018-09-14 - 来自专栏架构师之旅
Java9中的GC调优基础
本文将主要讲解GC调优需要知道的一些基础知识，会涉及到一些GC的实现细节，但不会对实现细节做很全面的阐述，如果你看完本文之后，能对GC有一个大致的认识，那本文的写作目的也就达到了。 本文将包含以下内容： GC的作用范围 GC负责的事情 JVM中的4种GC G1的一些细节 使用Java 9正式版对G1进行测试 一些简单的GC调优方法 一、GC的作用范围 要谈GC的作用范围，首先要谈JVM GC，Java 9中默认使用G1。 一些简单的GC调优方法 1. 使用不同的索引对象 引用的类型会直接影响其所引用对象的GC行为，当要做一些内存敏感的应用时，可以参考使用合适的引用类型。 在Parallel里，可以通过参数调节最大停止时间（-XX:MaxGCPauseMillis，默认无设置）和吞吐量（-XX:GCTimeRatio，默认值是99，即最大使用1%的时间来做垃圾回收）来调优
86870发布于 2018-01-30 - 来自专栏嵌入式与Linux那些事
Linux 性能调优工具的 9 张图
它们展示了：Linux 可观察性工具、 Linux 静态性能分析工具、 Linux 基准测试工具、 Linux 调优工具和Linux sar。 性能观察工具： 静态性能工具 性能压测工具： 性能调优工具 sar perf-tools 追踪工具 BPF性能工具：
32521编辑于 2024-07-05 - 来自专栏chenchenchen
SQL调优之性能调优
针对专门操作符的调优 前面，讲的是关于查询条件的一般规则，在这一节中，将讨论如何使用专门的操作符来改进 SQL 代码的性能。 本文总结的是一些 SQL 性能调优的比较初级的方面，SQL 调优还包括 Order by，Group by 以及 Index 等等。
2.3K30发布于 2019-12-03 - 来自专栏LhWorld哥陪你聊算法
【Spark篇】---Spark调优之代码调优，数据本地化调优，内存调优，SparkShuffle调优，Executor的堆外内存调优
一、前述 Spark中调优大致分为以下几种 ，代码调优，数据本地化，内存调优，SparkShuffle调优，调节Executor的堆外内存。 二、具体 1、代码调优 1、避免创建重复的RDD，尽量使用同一个RDD 2、对多次使用的RDD进行持久化 如何选择一种最合适的持久化策略？ 通过日志或者WEBUI 3、内存调优 ? Spark JVM调优主要是降低gc时间，可以修改Executor内存的比例参数。 RDD缓存、task定义运行的算子函数，可能会创建很多对象，这样会占用大量的堆内存。 Spark中如何内存调优？
2.1K30发布于 2018-09-13 - 来自专栏肉眼品世界
9张Linux性能调优工具图，建议收藏！
它们展示了：Linux 可观察性工具、 Linux 静态性能分析工具、 Linux 基准测试工具、 Linux 调优工具和Linux sar。 性能观察工具： 静态性能工具 性能压测工具： 性能调优工具 sar perf-tools 追踪工具 BPF性能工具：
65710编辑于 2022-01-20 - 来自专栏纯洁的微笑
Tomcat 性能调优之 JVM 调优
因此在对Web 容器( 应用服务器) 的调优中必不可少的是对于 JVM 的调优。 对于 JVM 的调优，主要有两个方面考虑： 内存大小配置 垃圾回收算法选择 当然，确切的说，以上两点并不互相独立，内存的大小配置也会影响垃圾回收的执行效率。 延迟、吞吐量调优 其他 JVM 配置 垃圾回收算法对应到的就是不同的垃圾收集器，具体到在 JVM 中的配置，是使用 -XX:+UseParallelOldGC 或者 -XX:+UseConcMarkSweepGC 所谓调优，就是一个不断调整和优化的过程，需要观察、配置、测试再如此重复。有相关经验的朋友欢迎留言补充！ 说到底，那上面的这些选项是要配置在哪里呢？
2.2K30发布于 2019-05-06 - 来自专栏有关SQL
Hive 性能调优，这 9 点都掌握了？
compute statistics for columns sender, topic; analyze table tweens compute statistics for columns ; 语句级别的调优
1.5K20发布于 2019-12-25 - 来自专栏个人积累
数据库调优 项目调优
Springboot项目调优 配置文件调优 更改Tomcat的相关配置 设置Tomcat的最大连接数 设置请求头最大内存 设置post请求的最大内存 设置Tomcat最大线程数 设置Tomcat 的最小工作线程数 JVM调优 设置项目启动的参数 在vm option处添加配置内容 -XX:MetaspaceSize=128m #（元空间默认大小） -XX:MaxMetaspaceSize=128m
1K51发布于 2020-10-10 - 来自专栏SmartSi
Spark 性能调优之Shuffle调优
因此，如果要让作业的性能更上一层楼，就有必要对 shuffle 过程进行调优。 但是也必须提醒大家的是，影响一个 Spark 作业性能的因素，主要还是代码开发、资源参数以及数据倾斜，shuffle 调优只能在整个 Spark 的性能调优中占到一小部分而已。 因此大家务必把握住调优的基本原则，千万不要舍本逐末。下面我们就给大家详细讲解 shuffle 的原理，以及相关参数的说明，同时给出各个参数的调优建议。 2. 5. shuffle相关参数调优 以下是Shffule过程中的一些主要参数，这里详细讲解了各个参数的功能、默认值以及基于实践经验给出的调优建议。 调优建议：在资源参数调优中讲解过这个参数。如果内存充足，而且很少使用持久化操作，建议调高这个比例，给 shuffle read 的聚合操作更多内存，以避免由于内存不足导致聚合过程中频繁读写磁盘。
1.8K31发布于 2019-08-08 - 来自专栏运维经验分享
tomcat 8 9 性能 优化 调优 centos 7 linux
个人分类： tomcat 不要单纯为了调优而去调优，应该有针对性的去发现不足，解决问题，以提高性能。 所以，调优的前提是做好各种监控分析，包括服务器基础资源使用、各个应用运行状况、代码质量、数据库状况、等等，根据业务的并发，服务器资源，以及存在的问题，有针对性的去优化。 ==========正文============== 性能的提升，主要从以下几个方面入手： 1，架构调优 负载均衡，高可用，nginx + tomcat 动静分离，容器化 等， 不具体阐述 2 ，代码调优 3，tomcat 相关参数优化，jvm调优。 （1），连接数，线程数，缓存，修改server.xml。 打开被注释的默认连接池配置 默认配置： <! 5，操作系统调优 硬件： CPU、内存、硬盘、带宽 。 这个属于 不差钱 性质的优化。人民币玩家 不废话。 系统：内核参数调.
2.4K70发布于 2019-03-16 - 来自专栏SmartSi
Spark 性能调优之开发调优
Spark的性能调优实际上是由很多部分组成的，不是调节几个参数就可以立竿见影提升作业性能的。 整套方案主要分为开发调优、资源调优、数据倾斜调优、shuffle调优几个部分。 开发调优和资源调优是所有Spark作业都需要注意和遵循的一些基本原则，是高性能Spark作业的基础；数据倾斜调优，主要讲解了一套完整的用来解决Spark作业数据倾斜的解决方案；shuffle调优，面向的是对 本文作为Spark性能优化指南的基础篇，主要讲解开发调优。 2. 开发调优 2.1 调优概述 Spark性能优化的第一步，就是要在开发Spark作业的过程中注意和应用一些性能优化的基本原则。 开发调优，就是要让大家了解以下一些Spark基本开发原则，包括：RDD lineage设计、算子的合理使用、特殊操作的优化等。
1.3K31发布于 2019-08-07 - 来自专栏ApacheHudi
调优 | Apache Hudi应用调优指南
通过Spark作业将数据写入Hudi时，Spark应用的调优技巧也适用于此。如果要提高性能或可靠性，请牢记以下几点。 GC调优：请确保遵循Spark调优指南中的垃圾收集调优技巧，以避免OutOfMemory错误。
1.3K20发布于 2021-04-13 - 来自专栏SmartSi
Spark 性能调优之资源调优
整套方案主要分为开发调优、资源调优、数据倾斜调优、shuffle调优几个部分。 开发调优和资源调优是所有Spark作业都需要注意和遵循的一些基本原则，是高性能Spark作业的基础；数据倾斜调优，主要讲解了一套完整的用来解决Spark作业数据倾斜的解决方案；shuffle调优，面向的是对 本文作为Spark性能优化指南的基础篇，主要讲解资源调优。 2. 资源调优 2.1 调优概述 在开发完Spark作业之后，就该为作业配置合适的资源了。 Spark是根据shuffle类算子来进行stage的划分。如果我们的代码中执行了某个shuffle类算子（比如reduceByKey、join等），那么就会在该算子处，划分出一个stage界限来。 理解作业基本原理，是我们进行资源参数调优的基本前提。 2.3 资源参数调优 了解完了Spark作业运行的基本原理之后，对资源相关的参数就容易理解了。
2K30发布于 2019-08-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号