【Spark2参数调优】submit Spark sql脚本并行度调优

• 都说程序员不配享受生活，最近几个月一直在吃“两条线”，白天挖焦煤，晚上扒火车，真是比铁道游击队还苦逼！

疑问：关于spark.default.parallelism

我在做Spark sql submit脚本参数调优的时候曾寄希望于spark.default.parallelism这个参数，直到看到大量的core被闲置，才明白这个参数是无效的（对于spark sql来说）。

现象 ：每个executor所分配的core小于active task的数量

搞这一行的都明白task并行度是提高t任务执行效率的关键，在长期的观测中，我发现ETL调度执行过程中存在3个core对应一个active task的现象，也就是说，对于Spark sql任务来说，spark.default.parallelism这个参数是无用的，那么该怎样控制Spark sql任务并行度呢？

解决：指定spark.sql.shuffle.partitions数量

没错，spark.sql.shuffle.partitions才是决定Spark sql执行并行度的关键，原因在于：

• spark.default.parallelism这个参数是在处理RDD时才会起作用的，对Spark sql来说是无效的。
• 针对Spark sql任务，则是专门提供了spark.sql.shuffle.partitions这样的参数来控制并行度。

举个例子：
spark2-submit xxxxxx --conf spark.sql.shuffle.partitions=1000 xxxxxxxxxx
这里就是设置了Spark sql任务并行度为1000，当然，我们也可以在Spark sql脚本中设定这一参数，像这样直接写入脚本中：

最终的结果当然很愉快，终于能随心所欲地控制任务执行并发了！