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.
- Autor
- wshobson ↗
- Repozytorium
- agents ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 17.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 2
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 17.10.2026, bez odwołań do wycofanych modeli i API.
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
- When to Use This Skill
- Core Concepts
- Quick Start
- Detailed patterns and worked examples
- Best Practices
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
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · wshobson/agents | 100 | MIT |
| FrancoStino/opencode-skills-collection | 100 | MIT |
| rootcastleco/rei-skills | 100 | MIT |
| sickn33/agentic-awesome-skills | 100 | MIT |
| rmyndharis/antigravity-skills | 100 | MIT |
| LiHongwei-cn/lihongwei-cn | 100 | MIT |
| agent-skills-hub/agent-skills-hub | 100 | MIT |
| sandbaseai/sandbase-skills | 100 | Apache-2.0 |
| LUNARTECH-X/superpowers | 100 | MIT |
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.