Spark Web UI 监控详解

Spark集群环境配置

我们有2个节点，每个节点是一个worker，每个worker上启动一个Executor，其中Driver也跑在master上。每个Executor可使用的核数为2，可用的内存为2g，集群中所有Executor最大可用核数为4。

conf/spark-defaults.conf 部分参数配置如下：

  spark.master                     spark://Master:7077

  spark.executor.memory            2g

  spark.executor.cores             2

  spark.cores.max                  4

在提交jar包的时，按照需求分配executor的核数和memory数给不同的应用,若某个应用占用了所有的核和内存，剩下的应用只能等待这个程序执行完毕释放资源后才可执行。

conf/spark-env.sh 部分参数配置如下：

export SPARK_WORKER_CORES=2

export SPARK_WORDER_INSTANCES=1

export SPARK_WORKER_MEMORY=2g

执行节点负载均衡问题

比如启动四个节点，但是在处理数据的时候负载不均衡，只有两个节点的使用率很高。可以推测与分区数有关，测试数据集为267MB，hdfs中默认的数据分片大小为128MB，约有两个分区。推测只有两个分区能拿到数据进行计算，所以将hdfs的数据分片大小改为64MB，这样约有4个分区，与集群中的Executor数目相符。经测试证明，负载不均衡的问题得到解决。

修改配置文件hdfs-site.xml，将block size设置为64MB

 <property>

   <name>dfs.block.size</name>

   <value>67108864</value>   说明：64M=64*1024*1024

 </property>

8080

如上图所示，此页面自上而下包括：

spark版本信息，

spark master 的URL（worker用来连接此master的URL）

worker的数量：4

所有worker节点中可用和在用的core（查看资源的使用情况，参考是否适合再启动一个应用等）

所有worker节点中可用和在用的memory（如上）

正在运行和已经完成的应用数量

master当前状态

workers部分

展示集群中每个worker的位置，到当前状态，内核使用情况，内存使用情况

（通过查看内核和内存的用量情况确定是否足够运行一个新的应用）

点击workerID进入worker的detail页面会显示与该worker更详细的信息

（理想情况下，所有worker节点使用的内核数和内存应该是相同的，如果出现使用率不同的情况，说明集群资源未平均分配，应用未最佳化运行，需停止所有应用重新启动集群）

Running/Completed Application部分

分别展示在运行和已经运行完的应用信息，包括名称，获得的资源，开始时间，所有者，已运行时间，目前状态（RUNNING/FINISHED/结束原因）

（若state显示WAITING，则说明Spark对于应用没有足够的内存或内核，将保持等待直到有足够资源可用，有几种情况，一是直到已经在运行的一个应用完成运行，二是增加分配给spark worker的资源，三是将少应用的请求资源）

点击ApplicationID进入detail页面会显示看到关于该应用运行时的详细信息，包括参与的worker/使用的资源数/日志等

（如果一个任务失败或抛出了异常，可以查看stderr文件来调试问题）

4040

localhost:4040（当应用在运行中的时候可以访问，一旦应用执行结束该端口关闭不可访问）

如下图，显示基本的运行时间，调度模式（FIFO为先进先出），不状态中作业的统计量，并显示正在运行/已经完成/运行失败的spark作业较为详细的信息列表，例如，Job的提交时间/运行时间/目前为止每个Job完成的Stage和Task数量等

（从运行时间项可以观察到，若某一个Job花费时间异常，可以把问题缩小到该Job下的Stage或者Task）

点击某JobID，进入detail页面显示如下信息：

该Job当前状态

活跃/延迟/已完成的Stage数量

该Job的事件时间线

[spark为该Job生成的DAG的可视化呈现]

表格部分的信息有助于定位性能问题，检查Duration列是否存在运行时间异常的Stage，Tasks表明一个Stage内的并行量（根据集群大小，太少或太多可能导致性能问题）。数据Shuffle会对应用性能造成负面影响，所以要最小化Shuffle Read和Write数量。

DGA可视化

Stage

点击某Stage，进入detail页面显示如下信息。

Summary 部分：

若任务持续时间在任一个四分位处过高，则说明有问题。可能是分开太大，也可能是数据Shuffle的负面效应。也可以检查GC活动是否影响性能。

Executor的聚合信息部分：

可以有效找出处理缓慢的任务，检查GC时间

Locality Level（数据的区域级别）：

标明任务所处理的数据是缓存在内存中的（PROCESS_LOCAL），还是本地读取（NODE_LOCAL），还是来自于集群中的任意节点（ANY）。以PROCESS_LOCAL级别处理数据是极快的。

事件时间线监控，显示了每个worker节点上并行运行了多少个任务，已经增加任务完成所需的总时间

Storage页显示Spark应用缓存在内存或硬盘中的数据量，提供每一个持久化RDD的信息。（可以是以Hive表格或者是RDD的形式缓存在内存中）

Storage Level展示数据集如何缓存，以及所缓存数据的副本数量。

点击具体的RDDID，进入detail页。包括：

缓存RDD的概要信息

在不同EXecutor上的分布（每个Executor上需要的内存）

分块信息，如存储级别/位置/每个缓存RDD分块大小

Enviroment页面显示不同环境和配置变量的值：

Executor显示Spark为该应用创建的执行者的概要信息：

Storage Memory表示缓存数据所预留的和所使用的内存量（若内存小于正在尝试缓存的数据，则会出现性能问题）

Shuffle的读写都是昂贵的，如果这两个值过大，应该重构应用代码或者调整Spark参数减少Shuffling

18080

localhost:18080（spark的历史管理中心，包含所有已经运行完成的Application及其详细信息）

点击具体的APP ID 展现的页面结构与4040相同

50070

master:50070 访问namenode的hdfs web UI监控页面

（理想情况下，Summary下的表格右边是有正常数据的而不是0）

查看已经启动的datanode信息

总结

本文主要介绍spark webui相关的监控页面指标信息。在我们排查问题，做性能优化时，了解spark监控项可以帮我们快速定位问题的症结，因而需要我们对相关监控页面的地址以及里面的监控项要非常了解。