【Spark调优】提交job资源参数调优

【场景】

　　Spark提交作业job的时候要指定该job可以使用的CPU、内存等资源参数，生产环境中，任务资源分配不足会导致该job执行中断、失败等问题，所以对Spark的job资源参数分配调优非常重要。

　　spark提交作业，yarn-cluster模式示例：

　　./bin/spark-submit\

　　--class com.ww.rdd.wordcount \

　　--master yarn \

　　--deploy-mode cluster \ 
　　--executor-memory 4G \
　　--num-executors 50 \

　　--driver-memory 1G \

　　--conf spark.default.parallelism=1000 \

　　--conf spark.memory.fraction=0.75 \

　　--conf spark.memory.storageFraction=0.5 \

　　/home/spark/wordcount.jar \
　　1000  #入参

【参数】

num-executors

　　参数说明：该参数用于设置每个Spark作业总共要用多少个Executor进程来执行。例如Driver向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照该配置在集群的各个worker节点上启动相应数量的Executor进程。这个参数非常重要，如果不设置的话，Spark默认只启动少量的Executor进程，意味着该Spark作业并行度不足，如果作业计算多、数据很大，会导致运行速度非常慢甚至资源不足，异常中断，无法完成等。

　　调优建议：num-executors设置太少或太多的Executor进程都不好。设置的太少，无法充分利用集群资源；设置的太多的话，大部分队列可能无法给予充分的资源。生产环境摸索的经验是每个Spark作业的运行一般设置50~100个左右的Executor进程比较合适。

executor-memory

　　参数说明：该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关系。

　　调优建议：如果内存资源充足的前提下，一般每个job给每个Executor进程的内存设置4G~8G较为合适，供参考。具体的设置还得根据Spark集群可以占用的内存资源总量来定。num-executors * executor-memory，是本Spark作业申请到的内存资源量，这个值是不能超过Spark集群可以占用的内存资源总量的。

executor-cores

　　参数说明：该参数用于设置每个Executor进程的CPU cores数量。这个参数决定了每个Executor进程并行执行task线程的能力。因为每个CPU core同一时间只能执行一个task线程，因此每个Executor进程的CPU cores数量越多，越能够快速地并行执行完分配给自己的所有task线程。

　　调优建议：如果CPU核数资源充足的前提下，一般每个job给每个Executor的CPU core数量设置为2~4个较为合适，供参考。具体的设置还得根据Spark集群可以占用的CPU core数量资源总量来定。num-executors * executor-cores，是本Spark作业申请到的CPU core数量，这个值是不能超过Spark集群可以占用的CPU core数量资源总量的。

driver-memory

　　参数说明：该参数用于设置Driver进程的内存。

　　调优建议：Driver的内存通常来说不设置，或者设置1G左右应该就够了。唯一需要注意的一点是，如果需要使用collect算子将RDD的数据全部拉取到Driver上进行处理，那么必须确保Driver的内存足够大，否则会出现OOM内存溢出的问题。

spark.default.parallelism

　　参数说明：该参数用于设置每个stage的默认task数量。这个参数极为重要，如果不设置可能会直接影响Spark作业性能。

　　调优建议：如果不设置这个参数，会导致Spark自己根据底层HDFS的block数量来设置task的数量，默认是一个HDFS block对应一个task。通常来说，Spark默认设置的数量是偏少的（比如就几十个task），如果task数量偏少的话，就会导致你前面设置好的Executor的参数都前功尽弃。试想一下，无论Executor进程有多少个，内存和CPU资源分配有多充足，但是task只有1个或者10个，那么90%的Executor进程可能根本就没有task执行，也就是白白浪费了宝贵的内存和CPU资源！因此Spark官网建议的设置原则是，设置该参数为num-executors * executor-cores的2~3倍较为合适，例如，Executor的总CPU core数量为300个，那么设置1000个task是可以的，此时可以充分地利用Spark集群的资源，也就是说，1个cpu core并发跑2~3个task是较为合适的。

spark.memory.fraction、spark.memory.storageFraction

　　参数说明和调优建议：参见我的另外一篇文章  【Spark调优】内存模型与参数调优

　　下一篇：【Spark调优】Broadcast广播变量

　　上一篇：【Spark调优】Kryo序列化