> **摘要**：为什么你的 Spark 任务 CPU 利用率只有 30%？为什么有些 Task 1 秒跑完有些要 10 分钟？这背后都是**并行度（Partition 数 = Task 数）** 的问题。本文从并行度公式推导、三条来源路径、spark.default.parallelism 与 spark.sql.shuffle.partitions 配置指南、数据倾斜三大解决方案（加盐/广播/AQE）、repartition vs coalesce 对比、AQE 自适应优化六个维度，配合 1 张原创深色架构图 + 完整配置示例 + 真实优化案例，助你彻底攻克 Spark 并行度调优。
>
> **关键词**：Spark 并行度, Partition, shuffle.partitions, 数据倾斜, repartition, coalesce, AQE, 推测执行

---

## 一、开篇：并行度的核心公式

```
并行度 = Partition 数 = Task 数

理想值: 并行度 = 总 Core 数 × 2~3
最小值: 并行度 ≥ 总 Core 数（避免 CPU 空闲）
最大值: 避免单 Task 数据量 < 128MB（调度开销 > 计算收益）
```

**反例**：10 Executors × 4 Cores = 40 Cores，但 `spark.sql.shuffle.partitions=200`（默认值）→ 200/40 = 5 波 → 合理。如果改到 10 → CPU 浪费 75%。

---

## 二、并行度全景图

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-2482016/8befb5bd3ee7940d76df6975589a3557.png)


---

## 三、并行度三条来源路径

### 路径 1：数据源决定

| 数据源 | Partition 数 | 可调？ |
|--------|-------------|--------|
| `textFile("hdfs://...")` | HDFS Block 数 | `textFile(path, minPartitions)` 可调大 |
| `jdbc(...)` | 1 | `numPartitions` / `partitionColumn` 可调 |
| `parallelize(seq)` | `spark.default.parallelism` | `parallelize(seq, N)` |
| Kafka | Topic Partition 数 | source 端调整 |

### 路径 2：Shuffle 决定

```scala
// Shuffle 后 Partition 数由以下配置决定：
// RDD API
spark.default.parallelism    // 默认: 总 Core 数

// SQL/DataFrame API
spark.sql.shuffle.partitions  // 默认: 200
```

### 路径 3：手动调整

```scala
rdd.repartition(100)   // 全 Shuffle → 均匀分布
rdd.coalesce(50)       // 无 Shuffle → 可能数据倾斜
// 规则: repartition(N) = coalesce(N, shuffle=true)
```

| 方法 | Shuffle | 均匀性 | 场景 |
|------|---------|--------|------|
| `repartition(N)` | ✅ | ✅ 均匀 | 增加并行度 |
| `coalesce(N)` | ❌ | ⚠️ 可能倾斜 | 减少并行度（N < 当前） |

---

## 四、关键配置与推荐值

```bash
# === RDD API 并行度 ===
--conf spark.default.parallelism=80     # 推荐: 总Core × 2~3

# === SQL/DF Shuffle 后并行度 ===
--conf spark.sql.shuffle.partitions=120 # 推荐: 总Core × 2~3 (而非默认 200)

# === 自适应执行 (Spark 3.0+) ===
--conf spark.sql.adaptive.enabled=true  # 自动合并小 Partition
--conf spark.sql.adaptive.coalescePartitions.enabled=true
--conf spark.sql.adaptive.skewJoin.enabled=true  # 自动处理倾斜 Join

# === 推测执行 (解决长尾 Task) ===
--conf spark.speculation=true
--conf spark.speculation.interval=100ms
--conf spark.speculation.multiplier=3
```

---

## 五、数据倾斜：并行度的头号杀手 🔥

### 5.1 三种解决方案

**方案 1：加盐打散（两次聚合）**

```scala
// 原始：key 倾斜
rdd.map((key, 1)).reduceByKey(_ + _)

// 加盐：key + random(0, N)
rdd.map { case (k, v) => ((k, Random.nextInt(10)), v) }
   .reduceByKey(_ + _)                      // 第一次聚合（分散后）
   .map { case ((k, _), v) => (k, v) }
   .reduceByKey(_ + _)                      // 第二次聚合（汇总）
```

**方案 2：广播 Join**

```scala
import org.apache.spark.sql.functions.broadcast
smallDF.join(broadcast(largeDF), "key")  // 小表广播，避免 Shuffle
```

```bash
--conf spark.sql.autoBroadcastJoinThreshold=10485760  # 10MB
```

**方案 3：AQE 自动倾斜优化（Spark 3.0+）**

```bash
--conf spark.sql.adaptive.skewJoin.enabled=true
--conf spark.sql.adaptive.skewJoin.skewedPartitionFactor=5
--conf spark.sql.adaptive.skewJoin.skewedPartitionThresholdInBytes=256MB
# AQE 自动检测倾斜 Partition → 自动拆分为多个子 Task
```

---

## 六、真实优化案例

**场景**：某 ETL 任务 10 Executor × 4 Core，shuffle.partitions=50。
**问题**：CPU 利用率仅 62%，Stage 2 中 2 个 Task 耗时 8 分钟（其他 30s）。
**诊断**：并行度不足（50 < 40×3=120）+ 数据倾斜。
**优化**：

```bash
--conf spark.sql.shuffle.partitions=120     # 提升并行度
--conf spark.sql.adaptive.enabled=true      # 开 AQE
--conf spark.sql.adaptive.skewJoin.enabled=true
```

**效果**：CPU 利用率 → 91%，最长 Task → 45s，总耗时减少 68%。

---

## 七、总结

| 要点 | 总结 |
|------|------|
| **公式** | 并行度 = Partition = Task ≤ 总 Core × 2~3 |
| **配置** | RDD: default.parallelism · SQL: shuffle.partitions · AQE 自适应 |
| **倾斜方案** | 加盐打散 / 广播 Join / AQE 自适应倾斜优化 |
| **工具** | repartition(增) / coalesce(减) · 推测执行防长尾 |

> **金句**：并行度太低，CPU 唱空城计；并行度太高，调度开销吃掉计算收益。数据倾斜是并行度的头号杀手——99 个 Task 干完等 1 个 Task，再高的并行度也白搭。

---

<p style="margin-top:20px;padding-top:10px;border-top:1px solid #eee;font-size:14px;color:#999;text-align:center;line-height:2;">
作者：starzy  |  AI Data Engineer / 大数据技术实践者<br/>
博客：blog.starzy.cn  |  GitHub：starzy1990.github.io<br/>
专注 AI Agent · LangGraph · RAG · 大数据架构 · 数据工程实践
</p>

摘要：为什么你的 Spark 任务 CPU 利用率只有 30%？为什么有些 Task 1 秒跑完有些要 10 分钟？这背后都是并行度（Partition 数 = Task 数） 的问题。本文从并行度公式推导、三条来源路径、spark.default.parallelism 与 spark.sql.shuffle.partitions 配置指南、数据倾斜三大解决方案（加盐/广播/AQE）、repartition vs coalesce 对比、AQE 自适应优化六个维度，配合 1 张原创深色架构图 + 完整配置示例 + 真实优化案例，助你彻底攻克 Spark 并行度调优。

Spark 核心之 Stage 并行度划分及优化详解

摘要：为什么你的 Spark 任务 CPU 利用率只有 30%？为什么有些 Task 1 秒跑完有些要 10 分钟？这背后都是并行度（Partition 数 = Task 数） 的问题。本文从并行度公式推导、三条来源路径、spark.default.parallelism 与 spark.sql.shuffle.partitions 配置指南、数据倾斜三大解决方案（加盐/广播/AQE）、repar

编程语言

Spark并行度调优全指南：解析Partition数=Task数核心公式，覆盖数据源、Shuffle、手动调整三大路径，提供default.parallelism与shuffle.partitions配置方案，详解加盐、广播Join、AQE三种数据倾斜解法，对比repartition与coalesce特性，附真实优化案例（CPU利用率从62%提升至91%）。

数据架构

代码解释

大数据

LangGraph

GitHub

Spark 

HDFS

2026上云采购 | AI焕新·智启新局

bigdata-class

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Spark并行度调优全指南：解析Partition数=Task数核心公式，覆盖数据源、Shuffle、手动调整三大路径，提供default.parallelism与shuffle.partitions配置方案，详解加盐、广播Join、AQE三种数据倾斜解法，对比repartition与coalesce特性，附真实优化案...

Spark 核心之 Stage 并行度划分及优化详解-腾讯云开发者社区-腾讯云

Spark 核心之 Stage 并行度划分及优化详解

Spark 核心之 Stage 并行度划分及优化详解

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐