共计 2075 个字符，预计需要花费 6 分钟才能阅读完成。
<!– 苦楚调优 10 小时，我把 Spark 脚本运行工夫从 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，外面提了本人猜测的几种解决方案。
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形容一下我在干什么。
简略活泼小例子
说一所小学有好几个班级，当初要 以班级为单位 给孩子们依照身高进行排序，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、注销身高这些过程，必须在一间教室里进行。 没有被轮到测量的班级，就在操场流动。
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，而且特地耗时。
好消息是，组织一个班进教室，和组织一百个班同时进教室，破费的工夫差不多。 因而，一般来讲，老师都是间接把所有学生全副叫进这间教室来的。
然而我面临一个辣手的状况。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，然而必定装不下 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、最好治理的。
“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！一班进来！二班进来！”…
如此往返，等到了第 2200 个班的时候，曾经过来了快一个月 …
内位看官讲话了：你把他们都叫进来不就行了？反正后面有条件：『组织一个班进教室，和组织一百个班同时进教室，破费的工夫差不多。』
有情理，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，尝试了各种办法，每次费尽力量修好（能包容 5 亿人那种），教室就因为各种起因塌了。
唉！我计算过，实践上明明能够建成的呀！
我就不甘心，就始终尝试，反反复复，而后几小时过来了。
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！
有情理，可是这样原有的治理逻辑须要改一部分，着实破费了我一些工夫。此外，还花了大量工夫 debug。
我初步设置为 100 班为一批进教室：
- 原来我须要做『喊孩子们进教室』这件事 2200 次（每个班含一次）
- 当初我只做『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
下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能力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，个别的电脑都是 8G、16G 这种，而硬盘绝对便宜，有 256G、512G，甚至几个 T 之多，因而数据个别都放在硬盘上，须要用时，在读到内存里，这个读的过程叫做「IO 操作」
- 「IO 操作」相比计算，相当消耗工夫
以下是我的工作日志节选（脱敏版）：
首先我是『把每个班级独自叫进教室』，很耗时。
7 月 19 日早上大略 9:30 开始的，到 7 月 20 日 中午 0:23完结，一共 2200 列，每一列都有 160000 个数据，都要进行排序操作，还波及到 IO 操作，一共用时 15 小时。这其中用时为 IO 工夫 和 对每一列解决工夫：
$$\alpha \times time_{\text{IO}} * 列 + \beta \times 行 \log_2{行}$$
而其中，相比 IO，计算工夫（比方排序）能够忽略不计，因而工夫能够记为
$$\alpha \times time_{\text{IO}} * 列 $$
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
- 数据顶多应用 4G
我开始着手「扩充教室」，尝试了很多，和配置文件 .conf、spark-shell、spark-env.cmd、JVM -Xmx4g 等等这种材料、操作大战了一上午，无果。
我认为我的尝试产生了成果，因为原有的谬误不报了，collect 这个过程也能走完（孩子们都能进教室，之前是进不去的），然而一旦波及到操作（collect 完结后会卡顿很久，无奈返回应有的 Array），就会爆 JVM heap。此外，通过一些其余调整后，不爆 heap 了，爆 GC overhead limit exceeded 这种垃圾回收问题。
那我有理由狐疑是性能被硬件限度了。
于是我思考：『把孩子们分成几批，一次叫几个班进教室』。
有很多 bug，我最初抉择的是一次叫 100 个班级，用时大略 12 分钟。
“调优”完结。
总体来看，思路上简直没什么难度，破费了这么多工夫，次要是因为：
- 不甘心本人的某个思路不可行，一股脑硬试上来
- 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，而是他人写的，那我把他调到 12 分钟，还显得我蛮厉害的🤣 开个玩笑，我心愿大家写出的代码都是很棒的，这样咱们都能够节俭出工夫劳动😑
好了，回去睡觉了，今天还得接着给“孩子们”做别的工作；而且还有另一所学校另一个工作（同时被领导安顿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 相干工作，务必加我微信，我十分须要高手让我骚扰😅
别忘了点在看~