Spark 从入门到精通：架构原理、RDD/DataFrame、调优踩坑与电商实战全指南

2022年10月26日 - 约 27 分钟读完 - 全文 10537 字

Spark 从入门到精通：架构原理、RDD/DataFrame、调优踩坑与电商实战全指南

目标读者：写过一两年后端（Java/Scala/Python 皆可）、第一次要碰大数据的同学；或者用 PySpark 写过一些脚本、但一遇到性能问题就抓瞎的同学。写这篇文章时（2022 年 10 月），Spark 3.3 刚发布，DataFrame 早已是绝对主流，Flink 在实时方向上攻城略地。但离线批处理、数仓 ETL、特征工程这些重活，Spark 依然是绕不开的那座山。

全文六篇，顺序就是学习的顺序：

flowchart LR
    A["一 为什么是 Spark<br/>从单机到分布式"] --> B["二 架构与原理<br/>Driver Executor DAG"]
    B --> C["三 RDD 与 DataFrame<br/>两代 API 的分水岭"]
    C --> D["四 电商实战<br/>宽表 漏斗 特征"]
    D --> E["五 调优与踩坑<br/>倾斜 OOM 小文件"]
    E --> F["六 AI 时代<br/>少写代码 多写提示词"]
    style F fill:#e8f4e8

为什么是这个顺序？第一篇解决「为什么要用它」；第二篇解决「它在集群里怎么跑」——不理解这个，写出来的代码就是玄学；第三篇解决「代码怎么写」；第四篇用真实业务把知识串起来；第五篇是血泪史，生产环境和本地 Demo 是两个物种；第六篇聊怎么让 AI 替你干活。

第一篇为什么是 Spark：一台机器装不下的时代

1.1 一个电商场景把问题引出来

假设你在一家中型电商公司做后端。双十一刚过，老板要看一份报表：

昨天所有下单用户，按城市分组，统计成交额、下单次数、客单价，再看这批用户里有多少是 30 天内的新客。

订单表 8 亿行，用户表 4000 万行，行为日志（埋点）一天 20 亿条。MySQL 里跑这个 SQL？GROUP BY 一个 8 亿行的表，跑一晚上 MySQL 先把你杀了——不，是 DBA 先把你杀了。

你想到的办法是「把数据导出来，写个 Python 脚本跑」。8 亿行订单数据，CSV 导出大概 400GB。你的开发机内存 32GB。装不下，这就是大数据的全部问题。

解决思路只有两个方向：

flowchart TB
    subgraph 思路一["思路一：垂直扩展（Stack Overflow 式的天真）"]
        A1["换个 1TB 内存的机器"] --> A2["贵得离谱<br/>且有物理上限"]
    end
    subgraph 思路二["思路二：水平扩展（唯一出路）"]
        B1["把 400GB 切成 1000 份"] --> B2["1000 台机器<br/>每台处理 400MB"]
        B2 --> B3["各自算局部结果<br/>最后合并"]
    end

思路二就是分布式计算。但自己写 1000 台机器的协调代码？分发任务、处理机器挂掉、合并结果、处理网络超时……你会写出第二个 Hadoop。

Spark 就是替你把这些脏活全包了：你只写「对这批数据做什么变换」，它负责切分、调度、容错、合并。

1.2 Spark 在生态里的位置

新人最容易被一堆名词搞晕：Hadoop、HDFS、YARN、Hive、Spark、Flink。一张图说清楚：

flowchart TB
    subgraph 存储层
        HDFS["HDFS<br/>分布式文件系统<br/>（把文件切块存到多台机器）"]
        S3["S3 / OSS<br/>对象存储"]
    end
    subgraph 资源层
        YARN["YARN / K8s<br/>集群资源调度<br/>（给任务分配 CPU 和内存）"]
    end
    subgraph 计算层
        MR["MapReduce<br/>老一辈 磁盘IO 慢"]
        SPARK["Spark<br/>内存计算 快<br/>本篇主角"]
        FLINK["Flink<br/>流处理专精"]
    end
    subgraph 应用层
        HIVE["Hive/Spark SQL<br/>SQL 写报表"]
        DS["数据科学<br/>MLlib 特征工程"]
    end
    HDFS --> YARN
    S3 --> YARN
    YARN --> MR
    YARN --> SPARK
    YARN --> FLINK
    SPARK --> HIVE
    SPARK --> DS
    style SPARK fill:#ffd699

几个关键认知：

Spark 不是存储系统，它没有自己的存储，数据放在 HDFS、Hive 表、S3 甚至 MySQL 里，它读进来算完再写回去。
Spark 也不是资源调度器，它跑在 YARN 或 Kubernetes 上，向它们「申请」机器。
Spark 相对 MapReduce 的快，核心就一句话：中间结果放内存，不落地磁盘。MapReduce 每步都要写磁盘，迭代式计算（比如机器学习跑 50 轮迭代）就慢到不可用。

踩坑预告：很多人学 Spark 的第一步是去装 Hadoop 全家桶，装了一周还没跑起来 Hello World。其实本地学习完全不需要——Spark 有 local 模式， pip 装个 pyspark 就能跑。下一篇的 Demo 全是单机可运行的。

第二篇架构与原理：代码提交之后到底发生了什么

这是最重要的一篇。Spark 调优 80% 靠对这套架构的直觉，剩下 20% 才是参数。

2.1 一次 Spark 任务的全貌

flowchart TB
    CODE["你的代码<br/>spark.read... .groupBy... .write..."] --> DRV
    subgraph Cluster["集群（YARN / K8s）"]
        subgraph DRV["Driver（司机/总指挥）"]
            DAG["DAG Scheduler<br/>把代码翻译成执行计划<br/>切成若干 Stage"]
            TS["Task Scheduler<br/>把 Stage 拆成 Task<br/>派发给 Executor"]
        end
        subgraph EXE["Executor × N（干活的工人）"]
            T1["Task 1<br/>处理 Partition 1"]
            T2["Task 2<br/>处理 Partition 2"]
            T3["Task 3<br/>处理 Partition 3"]
            CACHE["内存/磁盘<br/>缓存中间数据"]
        end
    end
    TS --> T1
    TS --> T2
    TS --> T3
    T1 -.shuffle 阶段互相交换数据.-> T2

关键角色就三个：

Driver：你的 main 函数（或 PySpark 脚本）运行的地方。它不干活，它发号施令——分析你的代码、生成执行计划、把任务派发出去、回收结果。Driver 挂了，整个任务就完了。
Executor：集群里真正干活的 JVM 进程，每个 Executor 有若干核，每个核同时跑一个 Task。数据是**分区（Partition）**存储的，一个 Task 处理一个 Partition。
Shuffle：当操作需要跨机器汇总数据（groupBy、join、distinct），数据就要在网络上重新分发——这叫 Shuffle。Shuffle 是 Spark 任务慢的第一大原因，后文反复出现。

2.2 懒执行（Lazy Evaluation）：为什么你的代码"没报错"却在运行时炸了

新手最常踩的认知坑：Spark 代码写下去并不会立刻执行。

df = spark.read.csv("orders.csv")          # 没执行！只是记录"要读个文件"
df2 = df.filter(df.amount > 100)           # 没执行！只是记录"要过滤"
df3 = df2.groupBy("city").sum("amount")    # 没执行！只是记录"要分组聚合"
df3.write.save("output")                   # 现在才真正开始跑！

读数据、过滤、分组这些叫 Transformation（变换），只是往计划里加节点；write、count、collect、show 这些叫 Action（行动），碰到 Action，Driver 才把整条链路翻译成 DAG（有向无环图），切成 Stage，真正派发执行。

这个设计的好处是优化：Spark 的 Catalyst 优化器能看到整条链路，比如发现你过滤条件写晚了，它可以自动把 filter 下推到读数据时就做（Predicate Pushdown），少读一半数据。

但坑也随之而来：

踩坑故事 1：错误行号的谎言 刚转 Spark 时我排查一个任务失败，日志说第 87 行 df.write.save() 报错 “文件不存在”。我盯着 87 行看了半小时——write 语法没问题啊！后来才明白：真正的错误发生在第 12 行的 spark.read（路径写错了），但因为是懒执行，直到 87 行触发 Action 才爆出来。看 Spark 报错，永远要从日志里的执行计划往上找 Transformation 的源头，而不是看报错行号。

2.3 Stage 是怎么切出来的：宽依赖与窄依赖

理解 Shuffle 就理解了 Stage 的切分：

flowchart LR
    subgraph Stage1["Stage 1（窄依赖，流水线执行）"]
        P1["Partition 1<br/>读文件"] --> F1["filter<br/>过滤"]
        P2["Partition 2<br/>读文件"] --> F2["filter<br/>过滤"]
    end
    subgraph SHUFFLE["⚡ Shuffle（跨网络搬数据）"]
        direction TB
        S["按 city 重新分区<br/>同 city 的数据<br/>汇聚到同一 Partition"]
    end
    subgraph Stage2["Stage 2"]
        G1["Partition A<br/>北京的订单<br/>sum(amount)"]
        G2["Partition B<br/>上海的订单<br/>sum(amount)"]
    end
    F1 --> SHUFFLE
    F2 --> SHUFFLE
    SHUFFLE --> G1
    SHUFFLE --> G2
    style SHUFFLE fill:#ffcccc

窄依赖（filter、map）：子 Partition 只依赖父的一个 Partition，可以像流水线一样在同一台机器一口气算完，不分 Stage。
宽依赖（groupBy、join、distinct）：子 Partition 需要父的所有 Partition 的数据，必须 Shuffle，Stage 在这里断开。

一个 Stage 内的失败重试只重跑这个 Stage。所以 Spark 的容错单位是 Stage——这也是为什么 Spark 会把 Shuffle 的中间结果落盘（对，嘴上说自己内存计算，Shuffle 还是要写磁盘的），挂了能从这里恢复，而不是从头再来。

第三篇 RDD 与 DataFrame：两代 API 的分水岭

3.1 RDD：能看清每个零件，但要自己造发动机

RDD（弹性分布式数据集）是 Spark 1.x 的核心抽象。用它写上面的需求：

// RDD 风格：你告诉 Spark 每一步"怎么做"
orders
  .filter(_.split(",")(5).toDouble > 100)     // 自己解析 CSV，自己转类型
  .map(line => (line.split(",")(3),           // 自己取城市字段做 key
                line.split(",")(5).toDouble)) // 自己取金额做 value
  .reduceByKey(_ + _)                          // 按 key 聚合
  .saveAsTextFile("output")

RDD 的问题是：Spark 看不懂你在干什么。filter(_.split(",")(5).toDouble > 100) 对优化器来说就是一个黑盒 lambda，它不知道你在过滤哪列，没法做谓词下推，没法选更好的 join 策略。而且 JVM 里每一行都是一个 Java 对象，序列化开销大、GC 压力巨大。

3.2 DataFrame：你只说"要什么"，优化器替你想"怎么做"

DataFrame（Spark 1.3 引入，2.0 后与 Dataset 合并）给数据加了Schema（表结构），从此 Spark 能看懂你的意图：

# DataFrame 风格：声明式
(spark.read
  .schema("order_id STRING, city STRING, amount DOUBLE")
  .csv("orders.csv")
  .filter("amount > 100")
  .groupBy("city")
  .sum("amount")
  .write.parquet("output"))

两者差距有多大？同样的逻辑，DataFrame 通常比 RDD 快 2~10 倍，原因：

flowchart TB
    subgraph RDD路径["RDD：信任程序员"]
        R1["你的 lambda"] --> R2["逐行 Java 对象<br/>序列化/GC 开销大<br/>优化器爱莫能助"]
    end
    subgraph DF路径["DataFrame：信任优化器"]
        D1["声明式表达式"] --> D2["Catalyst 优化器<br/>逻辑计划优化<br/>谓词下推/列裁剪"]
        D2 --> D3["Tungsten 执行引擎<br/>二进制内存布局<br/>代码生成 绕开 GC"]
    end
    style DF路径 fill:#e8f4e8

一句话结论（2022 年视角）：新业务永远用 DataFrame/Spark SQL 写，RDD 只在两种情况下出现——操作的是非结构化数据（比如解析一堆不规则日志），或者需要逐分区精细控制（mapPartitions 里建数据库连接池这种）。面试让你手写 RDD wordcount 是考察理解，不是让你生产上这么写。

3.3 本地就能跑的完整 Demo

别急着上集群。装个 Python 环境就能跑：

pip install pyspark==3.3.0

造一份模拟电商订单数据，跑通「读 → 变换 → 聚合 → 写」全流程：

# demo01_basic.py
from pyspark.sql import SparkSession
from pyspark.sql import functions as F

spark = (SparkSession.builder
         .appName("demo01")
         .master("local[*]")      # 本地模式，用满 CPU 核
         .getOrCreate())

# 造数据：100 万行模拟订单
orders = (spark.range(0, 1_000_000)
          .select(
              F.concat(F.lit("ORD"), F.col("id")).alias("order_id"),
              (F.col("id") % 50000).alias("user_id"),
              F.element_at(
                  F.array([F.lit(c) for c in
                           ["北京", "上海", "广州", "深圳", "杭州"]]),
                  (F.col("id") % 5 + 1).cast("int")).alias("city"),
              (F.rand() * 2000).alias("amount"),
              F.date_add(F.lit("2022-10-25"),
                         -(F.col("id") % 30).cast("int")).alias("order_date")))

result = (orders
          .filter(F.col("amount") > 100)
          .groupBy("city")
          .agg(F.count("*").alias("order_cnt"),
               F.round(F.sum("amount"), 2).alias("gmv"),
               F.round(F.avg("amount"), 2).alias("avg_price"))
          .orderBy(F.desc("gmv")))

result.show()          # Action：真正触发执行
result.write.mode("overwrite").parquet("output/city_gmv")
spark.stop()

运行：

python demo01_basic.py

输出：

+----+---------+-----------+---------+
|city|order_cnt|        gmv|avg_price|
+----+---------+-----------+---------+
|  深圳|   190231|...        |  1050.12|
|  北京|   190087|...        |  1049.87|
...
+----+---------+-----------+---------+

这个 Demo 麻雀虽小，五脏俱全：spark.range 造数、element_at 数组取值、rand 随机数、聚合多指标、写 Parquet。本地玩熟了，语法迁移到集群上一行都不用改——这就是 Spark 的优雅之处。

踩坑故事 2：Windows 上的 winutils.exe 我在 Windows 笔记本上第一次跑 PySpark，直接 winutils.exe 缺失报错 + 一堆权限异常。解决办法是下载对应 Hadoop 版本的 winutils.exe 放到 %HADOOP_HOME%\bin 并设置环境变量。后来学乖了：学习期直接 WSL2 或者 Docker 起个 Linux 环境，少生一肚子气。

第四篇电商实战：把知识串成业务

这一篇用三个电商真实场景，把前面的知识点全部用起来。这三个场景也是面试里最高频的"你做过什么项目"素材。

4.1 场景一：订单宽表（每日 ETL）

业务：订单数据分散在三张表——订单主表（order_id、user_id、amount、pay_time）、订单明细表（order_id、sku_id、quantity）、商品维表（sku_id、category、brand）。数据仓库要求每天凌晨产出一张"订单明细宽表"，下游 BI 直接查它。

# demo02_dwd_wide_table.py
orders = spark.table("ods.orders").filter(F.col("dt") == "2022-10-25")
items  = spark.table("ods.order_items").filter(F.col("dt") == "2022-10-25")
skus   = spark.table("dim.sku").filter(F.col("dt") == "2022-10-25")

wide = (items
        .join(orders, "order_id")
        .join(F.broadcast(skus), "sku_id")   # ★ 维表小，广播它！
        .select("order_id", "user_id", "sku_id", "category", "brand",
                "quantity", "amount", "pay_time")
        .withColumn("dt", F.lit("2022-10-25")))

(wide.write
 .mode("overwrite")
 .partitionBy("dt")
 .parquet("warehouse/dwd/order_detail_wide"))

知识点：Broadcast Join。普通 join 两张表都要 Shuffle；但如果一张表很小（商品维表几十万行，几十 MB），Spark 可以把它整个复制到每个 Executor 的内存里，大表原地不动就能完成 join——Shuffle 直接消失，速度提升一个数量级。

判断标准：小表 < spark.sql.autoBroadcastJoinThreshold（默认 10MB，生产常调到 100MB~500MB）。写 F.broadcast(skus) 是显式强制，防止优化器估算失误。

flowchart LR
    subgraph 普通Join["普通 Sort-Merge Join（两张表都 Shuffle）"]
        A1["大表 Partition"] -.网络搬家.-> J1["Join 节点"]
        A2["维表 Partition"] -.网络搬家.-> J1
    end
    subgraph 广播Join["Broadcast Join（只有小表复制）"]
        B1["大表 Partition 1<br/>原地不动"] --> C1["本地 Join<br/>查内存里的小表"]
        B2["大表 Partition 2<br/>原地不动"] --> C2["本地 Join<br/>查内存里的小表"]
        SM["小表整表复制<br/>→ 每个 Executor"] --> C1
        SM --> C2
    end
    style 广播Join fill:#e8f4e8

4.2 场景二：用户行为漏斗（转化率分析）

业务：运营想知道双十一预热期的转化漏斗：曝光 → 点击 → 加购 → 下单 → 支付，每一步流失多少人。

# demo03_funnel.py
events = spark.table("ods.user_events").filter(F.col("dt") == "2022-10-25")
# events 字段：user_id, event_type(view/click/cart/order/pay), ts

# 每个用户在每一步的最早时间
first_ts = (events
            .groupBy("user_id")
            .agg(F.min(F.when(F.col("event_type") == "view",  F.col("ts"))).alias("t_view"),
                 F.min(F.when(F.col("event_type") == "click", F.col("ts"))).alias("t_click"),
                 F.min(F.when(F.col("event_type") == "cart",  F.col("ts"))).alias("t_cart"),
                 F.min(F.when(F.col("event_type") == "order", F.col("ts"))).alias("t_order"),
                 F.min(F.when(F.col("event_type") == "pay",   F.col("ts"))).alias("t_pay")))

# 严格漏斗：必须按时间顺序走到该步才算转化
funnel = first_ts.agg(
    F.count("t_view").alias("曝光"),
    F.count(F.when(F.col("t_click") > F.col("t_view"), 1)).alias("点击"),
    F.count(F.when(F.col("t_cart")  > F.col("t_click"), 1)).alias("加购"),
    F.count(F.when(F.col("t_order") > F.col("t_cart"),  1)).alias("下单"),
    F.count(F.when(F.col("t_pay")   > F.col("t_order"), 1)).alias("支付"))

funnel.show()

知识点：groupBy + 条件聚合（F.when inside agg）是漏斗分析的标准套路——一行 SQL 出五步漏斗，不用写五次 count 再 join。这也是经典面试题。

踩坑故事 3：漏斗口径的战争 我第一版漏斗上线后，运营说数据和他们对不上。查了半天，发现分歧在口径：我写的是"严格顺序漏斗"（必须 view 之后才 click 才算），运营期望的是"存在性漏斗"（只要当天两个行为都发生过就算）。大数据开发一半的返工不是技术问题，是口径没对齐。现在的习惯：开工前把每一步的定义写成一行白话发群里，确认了再写代码。

4.3 场景三：推荐特征工程（用户画像）

业务：算法团队要用户特征——每个用户近 30 天的购买次数、客单价、最偏爱类目、最近一次购买距今天数（RFM 模型的雏形）。

# demo04_user_features.py
from pyspark.sql.window import Window

orders_30d = spark.table("dwd.order_detail_wide").filter(
    F.col("dt").between("2022-09-26", "2022-10-25"))

# 基础聚合特征
agg_feat = (orders_30d
            .groupBy("user_id")
            .agg(F.countDistinct("order_id").alias("order_cnt_30d"),
                 F.round(F.avg("amount"), 2).alias("avg_amount_30d"),
                 F.max("pay_time").alias("last_pay_time")))

# 最偏爱类目：窗口函数按类目的购买金额排序取第一
w = Window.partitionBy("user_id").orderBy(F.desc("cat_amount"))
top_cat = (orders_30d
           .groupBy("user_id", "category")
           .agg(F.sum("amount").alias("cat_amount"))
           .withColumn("rn", F.row_number().over(w))
           .filter(F.col("rn") == 1)
           .select("user_id", F.col("category").alias("top_category")))

features = (agg_feat
            .join(top_cat, "user_id")
            .withColumn("days_since_last_pay",
                        F.datediff(F.lit("2022-10-26"), F.col("last_pay_time"))))

features.write.mode("overwrite").parquet("features/user_rfm/dt=2022-10-25")

知识点：窗口函数（Window.partitionBy(...).orderBy(...) + row_number）是"每组取 TopN"的标准解法，Hive SQL 里也是同一句，大数据面试必考。

三个场景串起来，就是一条标准的离线数仓链路：

flowchart LR
    subgraph 数据源
        DB["业务 MySQL<br/>订单/明细/商品"]
        LOG["埋点日志<br/>曝光/点击/加购"]
    end
    DB -->|Sqoop/DataX 同步| ODS
    LOG -->|Flume/直接落盘| ODS
    subgraph 数仓["数仓分层（Hive on Spark）"]
        ODS["ODS 贴源层<br/>原样搬运"] --> DWD["DWD 明细层<br/>清洗 关联 宽表<br/>★ 场景一"]
        DWD --> DWS["DWS 汇总层<br/>按主题聚合<br/>★ 场景二漏斗"]
        DWS --> ADS["ADS 应用层<br/>直接服务业务<br/>★ 场景三特征"]
    end
    ADS --> BI["BI 报表"]
    ADS --> ALG["推荐算法"]

第五篇调优与踩坑：生产环境才是真的战场

本地 Demo 岁月静好，上了生产环境才知道什么叫残酷。下面三个坑，每一个我都在凌晨两点处理过。

5.1 天坑一：数据倾斜（一个 Task 跑三小时，其他三分钟）

现象：任务 99% 的 Stage 秒过，最后一个 Stage 的 200 个 Task 里，199 个 5 分钟跑完，1 个跑了 3 小时还在爬。Spark UI 上看，那个 Task 的 Shuffle Read 是别人的几百倍。

原因：某个 key 的数据量碾压其他 key。电商里最典型的就是：

大促时某个爆款商品（iPhone 发售当天）的订单明细占全站 30%；
维表 join 时空值/默认值 key——脏数据的 user_id = null 或 '-1' 有上千万条，全挤到一个 Partition。

排查：Spark UI → Stages → 看 Task 的 Summary Metrics，Max 时间远大于 Median（中位数），就是倾斜。

解法三板斧：

# 招式1：过滤异常 key（脏数据导致的倾斜，90% 的情况）
df = df.filter(F.col("user_id").isNotNull() & (F.col("user_id") != "-1"))

# 招式2：热点 key 加盐打散（真热点，比如爆款商品）
# 给大表的热点 key 加随机后缀 0~9，小表对应 key 复制 10 份
salted = big.withColumn(
    "join_key",
    F.when(F.col("sku_id") == "爆款SKU",
           F.concat(F.col("sku_id"), F.lit("_"), (F.rand()*10).cast("int")))
     .otherwise(F.col("sku_id")))
small_exploded = small.withColumn(
    "join_key",
    F.when(F.col("sku_id") == "爆款SKU",
           F.concat(F.col("sku_id"), F.lit("_"),
                    F.explode(F.array([F.lit(i) for i in range(10)]))))
     .otherwise(F.col("sku_id")))

# 招式3：开启 AQE 自动处理（Spark 3.x 的救星）
spark.conf.set("spark.sql.adaptive.enabled", "true")
spark.conf.set("spark.sql.adaptive.skewJoin.enabled", "true")

踩坑故事 4：AQE 救了我一个通宵 2022 年上半年迁移 Spark 3.x 后开了 AQE（Adaptive Query Execution），它能在运行时发现倾斜的 Partition 并自动拆分。以前要手工调参数 spark.sql.shuffle.partitions 反复试的任务，AQE 直接自己搞定了。所以第一建议永远是：先升级到 Spark 3.x 并开启 AQE，再用脑子去调。

flowchart TB
    subgraph 倾斜前["倾斜：一个 Partition 吞掉 40% 数据"]
        K1["Partition 1: 50MB"] 
        K2["Partition 2: 8GB 😱"] 
        K3["Partition 3: 50MB"]
    end
    subgraph 倾斜后["AQE 拆分后：化整为零"]
        L1["Partition 1: 50MB"]
        L2a["Partition 2a: 200MB"]
        L2b["Partition 2b: 200MB"]
        L2c["Partition 2c: 200MB<br/>...共拆 40 份"]
        L3["Partition 3: 50MB"]
    end
    倾斜前 -->|"AQE 运行时检测拆分"| 倾斜后
    style K2 fill:#ffcccc

5.2 天坑二：OOM（内存不够，但到底谁不够）

Spark 的 OOM 分两种，报错长得像，病因完全不同：

报错关键字	病因	解法
`ExecutorLostFailure` / 容器被 kill / `java.lang.OutOfMemoryError`	Executor 内存不够：数据太多、缓存太大	加 `executor-memory`、增加分区数摊薄数据、减少 `cache` 滥用
Driver 端 OOM	Driver 内存不够：几乎永远是 `collect()` / `toPandas()` 把全量数据拉回 Driver	不要用 collect 收大数据！用 `take(100)` 抽样看，用 `write` 落盘

踩坑故事 5：一个 collect 拖垮了整个集群调度 同事为了"快速验证"，在生产任务里写了 df.collect() 然后 len() 一下——那张表 2 亿行。Driver 内存从 4G 一路撑爆，任务挂掉不说，还因为是调度系统的重要任务，报警电话打到了总监那里。从此组里 Code Review 第一条红线：搜索代码里有没有 collect()、toPandas()，有就必须说明数据量上限。

5.3 天坑三：小文件灾难（HDFS 的慢性病）

现象：任务很快跑完，但写出的结果目录里是 20000 个 100KB 的小文件。然后：Hive 查这张表慢得离谱，NameNode 内存报警，下游任务读它要启动几万个 Task。

原因：200 个分区 × 每次写 100 个文件 = 每天积累，几个月后就是几百万小文件。HDFS 的 NameNode 把每个文件的元数据放内存，小文件多是集群的头号慢性病。

解法：

# 写出前合并分区（注意：coalesce 不 Shuffle，repartition 会 Shuffle）
df.coalesce(20).write.parquet(...)        # 知道大概要几个文件时用它
df.repartition(20, "dt").write.parquet(...)  # 需要按列重新分区时用它

# 根治：开启 AQE 的 Shuffle 分区自动合并，从源头减少小文件
spark.conf.set("spark.sql.adaptive.coalescePartitions.enabled", "true")

5.4 一张排障决策图

任务慢了/挂了，按这个顺序查：

flowchart TD
    Q1{"任务挂了还是慢？"}
    Q1 -->|挂了| Q2{"Driver 日志里<br/>OOM 关键字？"}
    Q2 -->|Executor 端| F1["加 executor-memory<br/>或增大分区数"]
    Q2 -->|Driver 端| F2["查 collect/toPandas<br/>换成 write 或 take"]
    Q2 -->|文件不存在等| F3["懒执行报错错位<br/>从执行计划往上找源头"]
    Q1 -->|慢| Q3{"Spark UI 看 Stage：<br/>个别 Task 特别慢？"}
    Q3 -->|是 Max远大于Median| F4["数据倾斜<br/>过滤脏key/加盐/AQE"]
    Q3 -->|否 全都慢| Q4{"Shuffle Read/Write<br/>数据量巨大？"}
    Q4 -->|是| F5["能广播的小表广播<br/>列裁剪 过滤下推<br/>提前聚合减少数据量"]
    Q4 -->|否| F6["查上游：小文件太多？<br/>查集群：资源不够排队？"]

第六篇 AI 时代：少写代码，完成大数据开发

时间快进到 AI 编程工具普及之后。回头看，Spark 开发是最适合被 AI 改造的领域之一，因为它的代码模式极其规整：读、变换、聚合、写，套路就那么多。

6.1 AI 能替你做什么，不能替你做什么

flowchart LR
    subgraph AI擅长["AI 做得比人好"]
        A1["自然语言 → PySpark/SQL 代码<br/>按用户30天行为算RFM特征 一句话出码"]
        A2["样板代码生成<br/>Schema 定义 造数脚本 单元测试"]
        A3["报错诊断<br/>贴堆栈 直接定位到懒执行错位/倾斜"]
        A4["口径文档化<br/>把代码翻译成业务能看懂的白话"]
    end
    subgraph AI不擅长["人必须自己把关"]
        B1["业务口径<br/>漏斗是严格顺序还是存在性<br/>AI 不知道你老板要什么"]
        B2["性能直觉<br/>哪里该广播 哪里会倾斜<br/>要看真实数据分布"]
        B3["生产决策<br/>资源参数 重跑策略 数据回补"]
    end

我的实际工作流变化：

以前：写「用户漏斗分析」= 查文档 30 分钟 + 写代码 40 分钟 + 调试 30 分钟。
现在：给 AI 描述清楚——表名、字段、漏斗定义（严格按时间顺序）、输出格式——10 秒出代码，我花 20 分钟 review 口径和边界条件。总耗时砍到三分之一。

但注意：省下来的时间全部应该砸在口径确认和数据校验上。AI 写的代码语法几乎不会错，但它不知道你们的 user_id = '-1' 是脏数据、不知道运营要的是存在性漏斗。这正是第五篇那些坑的价值——AI 时代，踩坑经验不是贬值了，而是成了你最贵的资产，因为代码人人都能生成，能判断代码对不对的人变稀缺了。

6.2 具体怎么干：三个提效姿势

姿势一：需求描述模板化。 给 AI 下指令时固定四段式：

背景：表 ods.user_events，字段 user_id/event_type/ts，按天分区 dt
任务：计算 2022-10-25 的转化漏斗 曝光→点击→加购→下单→支付
口径：严格顺序漏斗，后一步的最早时间必须大于前一步
输出：一行五列，列名用中文

第四篇场景三的完整代码，用这样的提示词一次就能生成得八九不离十。

姿势二：报错即提示词。 Spark 报错堆栈又长又唬人，直接整段贴给 AI，附上你的 Transformation 代码，它对「懒执行错位」「ClassNotFound（依赖没打包）」「分区越界」这类经典错误的诊断准确率很高。

姿势三：让 AI 写测试和校验脚本。 大数据开发最缺的就是测试——数据对不对以前靠人肉抽查。现在让 AI 顺手生成校验 SQL（行数对比、NULL 比例、金额总和与上游对账），质量反而比手工时代更好了。

6.3 冷静的一句话

AI 不会让你"少学 Spark"，它让学习曲线的重心变了：以前背 API 占 60% 的时间，现在这部分 AI 补上了；剩下 40%——架构直觉、业务口径、排障经验——变成了 100% 的核心竞争力。入门变容易了，精通的标准反而更高了。

思考与感悟

写完这篇文章，有几句话想单独说：

1. 学 Spark 的本质是学"分布式的世界观"。 单机时代的直觉——数据随手可得、循环遍历随意、内存无限——全都要扔掉。你要习惯一种新的思维方式：数据是流动的、分区是平行的、Shuffle 是昂贵的、失败是必然的（所以容错设计是一等公民）。这套世界观建立起来之后，学 Flink、学 Kafka、学 ClickHouse 都会很快，因为它们要解决的是同一族问题。

2. 调优经验 = 疼痛的记忆。 没有人看文档能学会处理数据倾斜，都是被凌晨两点的报警电话教会的。所以别怕踩坑，踩了记下来——我这篇第五篇的每个坑，当年都值一个通宵。

3. 离业务近一点，离技术远一点。 做了几年大数据，最大的感悟是：把 ETL 跑得快不算本事，知道这张表给谁用、口径对不对、错了谁会亏钱才是本事。电商场景里，GMV 算错 1% 可能就是一个部门的年终奖。技术只是手段，数据是业务的镜像。

4. AI 时代最值得押注的能力是"判断力"。 生成代码会越来越便宜，判断"这段代码对不对、这个口径该不该这么定、这个架构扛不扛得住双十一"会越来越贵。把 AI 当成一个能力极强但没有常识的实习生：活让它干，锅你来背，所以你必须看得懂它干的活。

与君共勉。

程序设计

方糖猫（大可）

18 年后端架构，现在独立做 AI 产品。这里记录 AI 视频、AI Agent 与工程实践。

本文阅读量次

Spark 从入门到精通：架构原理、RDD/DataFrame、调优踩坑与电商实战全指南

第一篇 为什么是 Spark：一台机器装不下的时代

1.1 一个电商场景把问题引出来

1.2 Spark 在生态里的位置

第二篇 架构与原理：代码提交之后到底发生了什么

2.1 一次 Spark 任务的全貌

2.2 懒执行（Lazy Evaluation）：为什么你的代码"没报错"却在运行时炸了

2.3 Stage 是怎么切出来的：宽依赖与窄依赖

第三篇 RDD 与 DataFrame：两代 API 的分水岭

3.1 RDD：能看清每个零件，但要自己造发动机

3.2 DataFrame：你只说"要什么"，优化器替你想"怎么做"

3.3 本地就能跑的完整 Demo

第四篇 电商实战：把知识串成业务

4.1 场景一：订单宽表（每日 ETL）

4.2 场景二：用户行为漏斗（转化率分析）

4.3 场景三：推荐特征工程（用户画像）

第五篇 调优与踩坑：生产环境才是真的战场

5.1 天坑一：数据倾斜（一个 Task 跑三小时，其他三分钟）

5.2 天坑二：OOM（内存不够，但到底谁不够）

5.3 天坑三：小文件灾难（HDFS 的慢性病）

5.4 一张排障决策图

第六篇 AI 时代：少写代码，完成大数据开发

6.1 AI 能替你做什么，不能替你做什么

6.2 具体怎么干：三个提效姿势

6.3 冷静的一句话

思考与感悟

第一篇为什么是 Spark：一台机器装不下的时代

第二篇架构与原理：代码提交之后到底发生了什么

第四篇电商实战：把知识串成业务

第五篇调优与踩坑：生产环境才是真的战场