Spark处理数据出现大量GC导致处理性能变慢的原因及解决方案

Spark应用程序处理的大数据多是运行于JVM上的，经常要面对GC优化问题。下面给出由于Linux系统原因导致的GC耗时异常的处理方式：

打开Spark的GC日志，在spark-env.sh文件中的SPARK_JAVA_OPTS参数上添加 -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCTimeStamps

如果每次GC回收的量基本相同，但是在某一时间点，耗时异常大，这种情况下，有两种可能：

1、GC收集对象所在内存被swap了

2、GC线程进入IO等待状态，因为系统IO繁忙

这两种情况可以由GC日志的/user/sys/real的值得pattern来识别，如果为Low user time,high system time,long GC pause说明数据内存被swap了，如果是Low user time,low system time,long GC pause说明GC线程进入IO等待状态。

处理方式：

对于情况1，确保JVM内存不被swap，可以启动参数-XX:+AlwaysPreTouch执行sysctl -w vm.swappiness=0 禁用swap

对于情况2，均匀系统IO负载，可以通过执行

sysctl -w vm.dirty_writeback_cenisecs=500

sysctl -w vm.dirty_expire_centisecs=500来实现