【Spark调优】内存模型与参数调优

【Spark内存模型】

Spark在一个executor中的内存分为3块：storage内存、execution内存、other内存。

　　1. storage内存：存储broadcast，cache，persist数据的地方。

　　2. execution内存：执行内存，join、aggregate、map等shuffle中间结果都缓存在这部分内存中，满了再写入磁盘，能够减少IO。其实map过程也是在这个内存中执行的。

　　3. other内存：程序代码执行时预留给自己的内存。

　　其中，execution和storage是Spark的Executor中内存的占用大户，other占用内存相对少很多。

【spark1.6.0之前版本】

　　spark1.6.0之前版本，execution和storage的内存分配是独立配置的，使用的参数配置分别是：

spark.storage.memoryFraction：storage内存占Executor总内存比例，default 0.6。

spark.shuffle.memoryFraction：execution内存占Executor总内存比例，default 0.2。

　　spark1.6.0之前版本，上述两块内存是互相隔离的，无法空闲借用。这就导致了Executor的内存利用率不高，而且需要根据Application的具体情况，使用者自己来调节这两个参数优化Spark的内存使用。

【spark1.6.0及之后版本】

　　spark1.6.0及之后版本，execution内存和storage内存支持合并配置，使用的参数配置分别是：

spark.memory.fraction：“execution内存+storage内存” 占Executor总内存比例，default 0.75。

spark.memory.storageFraction：storage内存 默认 占Executor总内存比例，default 0.5，如果运行时不够用，且execution内存有空闲，可以借用execution内存。

execution内存和storage内存可以相互借用，提高了内存的Spark中内存的使用率，同时也减少了OOM的情况。

【其他】

1.spark.memory.useLegacyMode：默认值是false，也就是使用上述spark1.6.0及之后版本新的内存管理模型，推荐使用。如果非要想用老的spark1.6.0之前版本老的内存管理模型，配置为true。

2.如果发现task由于频繁的gc导致运行缓慢（通过spark web ui可以观察到作业的gc耗时），意味着task执行用户代码的内存，也就是上述other内存不够用，尝试调低execution和storage内存看看。