optimizing-pyspark-jobs
/optimizing-pyspark-jobs
Optymalizuje wolne lub zawodzące zadania PySpark i Spark SQL: partycjonowanie, skosy danych, shuffle, broadcast join, cache, Adaptive Query Execution oraz unikanie driver collect i UDF w Pythonie.
- Autor
- unknown-333 ↗
- Repozytorium
- awesome-data-engineering-skills ↗
- Licencja
- Apache-2.0
- Ostatnia zmiana repozytorium
- 30.08.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 30.08.2026, bez odwołań do wycofanych modeli i API.
Apache-2.0, otwarta: można używać i zmieniać, z zachowaniem licencji i informacji o zmianach.
Co robi i kiedy
Optymalizuje wolne lub zawodzące zadania PySpark i Spark SQL: partycjonowanie, skosy danych, shuffle, broadcast join, cache, Adaptive Query Execution oraz unikanie driver collect i UDF w Pythonie.
Oryginalny opis (EN)
Optimize slow or failing PySpark and Spark SQL jobs — partitioning and repartitioning, data skew, shuffles, broadcast joins, caching, Adaptive Query Execution, and avoiding driver collects and Python UDFs. Use when a Spark job is slow, spills, OOMs, has skewed tasks, runs a huge shuffle, or a stage hangs on a few straggler tasks.
Jak działa
- When to use
- Workflow
- Patterns
- Common pitfalls
Podgląd SKILL.md
---
name: optimizing-pyspark-jobs
description: Optimize slow or failing PySpark and Spark SQL jobs — partitioning and repartitioning, data skew, shuffles, broadcast joins, caching, Adaptive Query Execution, and avoiding driver collects and Python UDFs. Use when a Spark job is slow, spills, OOMs, has skewed tasks, runs a huge shuffle, or a stage hangs on a few straggler tasks.
---
# Optimizing PySpark Jobs
## When to use
- A Spark/PySpark job is slow, spills to disk, or OOMs (driver or executor).
- One or a few tasks straggle while the rest finish (skew).
- Huge shuffles, wide stages, or exploding output.
- Do NOT use for pure SQL warehouse tuning (use `optimizing-sql-queries`).
## Workflow
```
- [ ] Read the Spark UI: find the slow stage and its shuffle/skew
- [ ] Confirm the cause: skew, too many/few partitions, wide shuffle, or driver pull
- [ ] Fix joins (broadcast small side; salt skewed keys)
- [ ] Right-size partitions; enable AQE
- [ ] Re-run and compare stage time/shuffle bytes
```
1. **Read the Spark UI** (Stages/SQL tab). Find the stage dominating wall-clock;
look at shuffle read/write and the task-duration distribution (a long tail =
skew).
2. **Diagnose** the dominant cause before changing config.
3. **Fix joins first** — broadcast the small side; handle skewed keys.
4. **Right-size partitions** and let Adaptive Query Execution coalesce them.
5. **Re-measure** in the UI; confirm shuffle bytes / stage time dropped.
## Patterns
**Broadcast the small side** to avoid a shuffle join:
```python
from pyspark.sql.functions import broadcast
fact.join(broadcast(small_dim), "dim_id")
```
**Enable Adaptive Query Execution** (coalesces partitions, converts to broadcast,
handles skew automatically):
```python
spark.conf.set("spark.sql.adaptive.enabled", "true")
spark.conf.set("spark.sql.adaptive.skewJoin.enabled", "true")
```
**Salt a skewed join key** when one key value dominates (AQE off or extreme skew):
add a random suffix to the hot key on both sides so it spreads across tasks.
**Right-size partitions** — aim for ~128MB per partition. Use `repartition(n)` to
increase parallelism before a wide operation; use `coalesce(n)` to reduce small
output files without a shuffle.
**Cache only reused DataFrames**, and unpersist when done:
```python
df.cache(); df.count() # materialize once if used multiple times
...
df.unpersist()
```
## Common pitfalls
- **`collect()` / `toPandas()` on large data** — pulls everything to the driver
and OOMs it. Aggregate first, or write to storage.
- **Python UDFs in hot paths** — serialize row-by-row; use built-in/SQL functions,
or pandas/vectorized UDFs when unavoidable.
- **Default 200 shuffle partitions** on big or tiny data — too few causes spills,
too many causes overhead; enable AQE or set
`spark.sql.shuffle.partitions` to fit the data.
- **`repartition()` when `coalesce()` suffices** — `repartition` forces a full
shuffle; use `coalesce` to only shrink partition count.
- **Ignoring skew** — a few straggler tasks dominate runtime; salt or use AQE
skew join.
- **Caching everything** — wastes memory and forces eviction; cache only reused
frames.
- **Many small output files** — `coalesce` before write or use adaptive
file sizing.
Wersje
W bazie nie ma innych skilli o nazwie optimizing-pyspark-jobs.
Migawka bazy z 28.10.2026 · wersja paczki 874f16065529 (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100spark-jobs
Pisze i stroi zadania PySpark: strategia joinów i limity broadcastu, rozmiar partycji shuffle, diagnoza skośności i salting, unikanie UDF, cache i układ plików wyjściowych, z konkretnymi progami. - 100spark-optimization
Optymalizuje zadania Apache Spark przez partycjonowanie, cache, shuffle i pamięć, gdy zadania działają wolno. - 100spark
Pomaga budować rozproszone pipeline'y danych w Apache Spark: partycjonowanie, shuffle, skośność, joiny, cache i czytanie Spark UI, by znaleźć przyczynę powolnego zadania. - 100spark-optimization
Optymalizuje zadania Apache Spark przez partycjonowanie, cache, optymalizację shuffle i strojenie pamięci, przy poprawie wydajności, diagnozie wolnych jobów i skalowaniu przetwarzania danych. - 100spark-optimization
Optymalizuje zadania Apache Spark przez partycjonowanie, cache, optymalizację shuffle i strojenie pamięci, przy poprawie wydajności, diagnozie wolnych jobów i skalowaniu przetwarzania danych. - 100spark-optimization
Optymalizuje zadania Apache Spark przez partycjonowanie, cache, optymalizację shuffle i strojenie pamięci, przy poprawie wydajności, diagnozie wolnych jobów i skalowaniu przetwarzania danych.