Spark SQL调优

Spark.HadoopRDD.ignoreEmptySplits
参数默认是false，如果是true，则会忽略那些空的splits，减小task的数量。

Spark.Hadoop.mapreduce.input.fileinputformat.split.minsize
参数用于聚合input的小文件，控制每个mapTask的输入文件，防止小文件过多时候，产生太多的task.

Spark.sql.autoBroadcastJoinThreshold && Spark.sql.broadcastTimeout
参数用于控制在Spark SQL中使用BroadcastJoin时候表的大小阈值，适当增大可以让一些表走BroadcastJoin，提升性能，但是如果设置太大又会造成driver内存压力，而broadcastTimeout是用于控制Broadcast的Future的超时时间，默认是300s，可根据需求进行调整。

Spark.sql.adaptive.enabled && Spark.sql.adaptive.shuffle.targetPostShuffleInputSize
参数是用于开启Spark的自适应执行，这是Spark比较老版本的自适应执行，后面的targetPostShuffleInputSize是用于控制之后的shuffle 阶段的平均输入数据大小，防止产生过多的task。

Spark.sql.parquet.mergeSchema
参数默认false。当设为true，parquet会聚合所有parquet文件的schema，否则是直接读取parquet summary文件，或者在没有parquet summary文件时候随机选择一个文件的schema作为最终的schema。

Spark.sql.files.opencostInBytes
参数默认4M，表示小于4M的小文件会合并到一个分区中，用于减小小文件，防止太多单个小文件占一个分区情况。

Spark.Hadoop.mapreduce.fileoutputcommitter.algorithm.version
参数的值为1或者2，默认是1. MapReduce-4815 详细介绍了 fileoutputcommitter 的原理，实践中设置了 version=2 的比默认 version=1 的减少了70%以上的 commit 时间，但是1更健壮，能处理一些情况下的异常。