Przejdź do treści
Biblioteka skilli
Dane i analityka · Budowanie i kod

spark-optimization

/spark-optimization

Optymalizuje zadania Apache Spark przez partycjonowanie, cache, optymalizację shuffle i strojenie pamięci, przy poprawie wydajności, diagnozie wolnych jobów i skalowaniu przetwarzania danych.

Repozytorium
agents ↗
Licencja
MIT
Ostatnia zmiana repozytorium
17.10.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
2
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 17.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Optymalizuje zadania Apache Spark przez partycjonowanie, cache, optymalizację shuffle i strojenie pamięci, przy poprawie wydajności, diagnozie wolnych jobów i skalowaniu przetwarzania danych.

Oryginalny opis (EN)

Optimize Apache Spark jobs with partitioning, caching, shuffle optimization, and memory tuning. Use when improving Spark performance, debugging slow jobs, or scaling data processing pipelines.

Jak działa

  1. When to Use This Skill
  2. Core Concepts
  3. Quick Start
  4. Detailed patterns and worked examples
  5. Best Practices
Sekcje z nagłówków SKILL.md, w oryginale · 92 linii, 345 słów
Podgląd SKILL.md
---
name: spark-optimization
description: Optimize Apache Spark jobs with partitioning, caching, shuffle optimization, and memory tuning. Use when improving Spark performance, debugging slow jobs, or scaling data processing pipelines.
---

# Apache Spark Optimization

Production patterns for optimizing Apache Spark jobs including partitioning strategies, memory management, shuffle optimization, and performance tuning.

## When to Use This Skill

- Optimizing slow Spark jobs
- Tuning memory and executor configuration
- Implementing efficient partitioning strategies
- Debugging Spark performance issues
- Scaling Spark pipelines for large datasets
- Reducing shuffle and data skew

## Core Concepts

### 1. Spark Execution Model

```
Driver Program
    ↓
Job (triggered by action)
    ↓
Stages (separated by shuffles)
    ↓
Tasks (one per partition)
```

### 2. Key Performance Factors

| Factor            | Impact                | Solution                      |
| ----------------- | --------------------- | ----------------------------- |
| **Shuffle**       | Network I/O, disk I/O | Minimize wide transformations |
| **Data Skew**     | Uneven task duration  | Salting, broadcast joins      |
| **Serialization** | CPU overhead          | Use Kryo, columnar formats    |
| **Memory**        | GC pressure, spills   | Tune executor memory          |
| **Partitions**    | Parallelism           | Right-size partitions         |

## Quick Start

```python
from pyspark.sql import SparkSession
from pyspark.sql import functions as F

# Create optimized Spark session
spark = (SparkSession.builder
    .appName("OptimizedJob")
    .config("spark.sql.adaptive.enabled", "true")
    .config("spark.sql.adaptive.coalescePartitions.enabled", "true")
    .config("spark.sql.adaptive.skewJoin.enabled", "true")
    .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
    .config("spark.sql.shuffle.partitions", "200")
    .getOrCreate())

# Read with optimized settings
df = (spark.read
    .format("parquet")
    .option("mergeSchema", "false")
    .load("s3://bucket/data/"))

# Efficient transformations
result = (df
    .filter(F.col("date") >= "2024-01-01")
    .select("id", "amount", "category")
    .groupBy("category")
    .agg(F.sum("amount").alias("total")))

result.write.mode("overwrite").parquet("s3://bucket/output/")
```

## Detailed patterns and worked examples

Detailed pattern documentation lives in `references/details.md`. Read that file when the navigation tier above is insufficient.

## Best Practices

### Do's

- **Enable AQE** - Adaptive query execution handles many issues
- **Use Parquet/Delta** - Columnar formats with compression
- **Broadcast small tables** - Avoid shuffle for small joins
- **Monitor Spark UI** - Check for skew, spills, GC
- **Right-size partitions** - 128MB - 256MB per partition

### Don'ts

- **Don't collect large data** - Keep data distributed
- **Don't use UDFs unnecessarily** - Use built-in functions
- **Don't over-cache** - Memory is limited
- **Don't ignore data skew** - It dominates job time
- **Don't use `.count()` for existence** - Use `.take(1)` or `.isEmpty()`
Pliki w paczce (2)
  • SKILL.md 3 KB
  • references/details.md 10 KB

Wersje

RepozytoriumWynikLicencja
Ta strona · wshobson/agents100MIT
FrancoStino/opencode-skills-collection100MIT
rootcastleco/rei-skills100MIT
sickn33/agentic-awesome-skills100MIT
rmyndharis/antigravity-skills100MIT
LiHongwei-cn/lihongwei-cn100MIT
agent-skills-hub/agent-skills-hub100MIT
sandbaseai/sandbase-skills100Apache-2.0
LUNARTECH-X/superpowers100MIT

Identyczna treść występuje jeszcze w 1 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.

Migawka bazy z 28.10.2026 · wersja paczki 7c8e6b7a9158 (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
    Pomaga budować rozproszone pipeline'y danych w Apache Spark: partycjonowanie, shuffle, skośność, joiny, cache i czytanie Spark UI, by znaleźć przyczynę powolnego zadania.
  • 100spark-engineer
    Pomaga pisać zadania Spark, diagnozować wydajność i konfigurować klastry: transformacje DataFrame, Spark SQL, RDD, shuffle, pamięć executorów, pliki parquet i structured streaming.
  • 100aidp-spark-optimization
    Optymalizuje wolne zadania i notebooki Apache Spark 3.5.0 z Delta Lake: partycje, shuffle, złączenia, skośność, układ plików, pamięć, caching, AQE, kompresja i konfiguracja.
  • 100aidp-spark-optimization
    Optymalizuje wolne zadania i notebooki Apache Spark 3.5.0 z Delta Lake: partycje, shuffle, złączenia, skośność, układ plików, pamięć, caching, AQE, kompresja i konfiguracja.
  • 100optimizing-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.
  • 100spark
    Wspiera ETL i transformacje danych w Apache Spark, od wersji 3.5 do 4.2, obejmując DataFrame, Spark SQL i partycjonowanie.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.