小记---------spark优化之更优分配资源

 

spark优化：在一定范围之内，增加资源与性能的提升是成正比的。

因此，

 

 

 

一个cpu core  执行一个task线程、

task数： 若有 cpu core 2个、num-executor 2个  那么task有4个

公式：task =  num-executor * cpu core .

 

cpu core  共有50个。一个程序一般设置为总数量的1/3或1/2

 

driver ： 分配task 到每个work       

                从yarn申请资源（内存、申请cpu）

 

第一步优化：调节最优的资源配置

 

1、分配哪些资源：executor、cpu per executor（每一个executor的cpu）、memory per executor、driver memory

 

2、提交spark作业时，用的spark-submut shell脚本，里调整对应的整数

 

spark-submit  --class cn.spark.sparktest.core.WordCount    //运行wordCount 主函数

--num-executors 3  配置executor的数量 

--driver-memory 100m  配置driver的内存（影响不大）

--executor-memory 100m  配置每个executor的内存大小 （很重要）

--executor-cores 3 配置每个executor的cpu core数量 /usr/local/SparkTest-0.0.1-SNAPSHOT.jar        //jar包

 

num-executors　（数量）　    

 参数说明：         

    该参数用于设置Spark作业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照你的设置来在集群的各个工作节点上，启动相应数量的Executor进程。这个参数非常之重要，如果不设置的话，默认只会给你启动少量的Executor进程，此时你的Spark作业的运行速度是非常慢的。　 　

 参数调优建议：       

    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，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。（设置太大 会造成内存溢出。。）

 

executor-memory　　（内存）（默认为512M）

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，也有直接的关联。　 　

参数调优建议：         

    每个Executor进程的内存设置4G~8G较为合适。但是这只是一个参考值，具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列的最大内存限制是多少，num-executors乘以executor-memory，就代表了你的Spark作业申请到的总内存量（也就是所有Executor进程的内存总和），这个量是不能超过队列的最大内存量的。此外，如果你是跟团队里其他人共享这个资源队列，那么申请的总内存量最好不要超过资源队列最大总内存的1/3~1/2，避免你自己的Spark作业占用了队列所有的资源，导致别的作业无法运行。

 

executor-cores　　（CPU cores）

参数说明： 

        该参数用于设置每个Executor进程的CPU core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 core数量越多，越能够快速地执行完分配给自己的所有task线程。　　 

参数调优建议： 

        Executor的CPU core数量设置为2~4个较为合适。同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core限制是多少，再依据设置的Executor数量，来决定每个Executor进程可以分配到几个CPU core。同样建议，如果是跟他人共享这个队列，那么num-executors * executor-cores(一共用cpu cores 的数量)不要超过队列总CPU core的1/3~1/2左右比较合适，也是避免影响其他同学的作业运行。

 

driver-memory　　

参数说明： 

    该参数用于设置Driver进程的内存。　 

 

参数调优建议： 

    Driver的内存通常来说不设置（默认为512m），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。

 

增加executor： 

 

如果executor数量比较少，那么，能够并行执行的task数量就比较少，就意味着，我们的Application的并行执行的能力就很弱。  

 

比如有3个executor，每个executor有2个cpu core，那么同时能够并行执行的task，就是6个。6个执行完以后，再换下一批6个task。（stage    reducebykey 之前会为为一个stage（阶段）  ，之后分再分为一个stage）  

 

增加了executor数量以后，那么，就意味着，能够并行执行的task数量，也就变多了。比如原先是6个，现在可能可以并行执行10个，甚至20个，100个。那么并行能力就比之前提升了数倍，数十倍。  

 

相应的，性能（执行的速度），也能提升数倍~数十倍。

 

增加每个executor的内存量。

增加了内存量以后，对性能的提升，有两点： 

 

1、如果需要对RDD进行cache，那么更多的内存，就可以缓存更多的数据，将更少的数据写入磁盘，甚至不写入磁盘。减少了磁盘IO。 

 

2、对于shuffle操作，reduce端，会需要内存来存放拉取的数据并进行聚合。如果内存不够，也会写入磁盘。如果给executor分配更多内存以后，就有更少的数据，需要写入磁盘，甚至不需要写入磁盘。减少了磁盘IO，提升了性能。

 

增加每个executor的cpu core，

 

也是增加了执行的并行能力。原本20个executor，每个才2个cpu core。能够并行执行的task数量，就是40个task。 

 

现在每个executor的cpu core，增加到了5个。能够并行执行的task数量，就是100个task。 

 

 执行的速度，提升了2.5倍。

 

默认参数及值

属性名称	默认值	含义
spark.app.name	(none)	你的应用程序的名字。这将在UI和日志数据中出现
spark.driver.cores	1	driver程序运行需要的cpu内核数
spark.driver.maxResultSize	1g	每个Spark action(如collect)所有分区的序列化结果的总大小限制。设置的值应该不小于1m，0代表没有限制。如果总大小超过这个限制，程序将会终止。大的限制值可能导致driver出现内存溢出错误（依赖于spark.driver.memory和JVM中对象的内存消耗）。
spark.driver.memory	512m	driver进程使用的内存数
spark.executor.memory	512m	每个executor进程使用的内存数。和JVM内存串拥有相同的格式（如512m,2g）
spark.extraListeners	(none)	注册监听器，需要实现SparkListener
spark.local.dir	/tmp	Spark中暂存空间的使用目录。在Spark1.0以及更高的版本中，这个属性被SPARK_LOCAL_DIRS(Standalone, Mesos)和LOCAL_DIRS(YARN)环境变量覆盖。
spark.logConf	false	当SparkContext启动时，将有效的SparkConf记录为INFO。
spark.master	(none)	集群管理器连接的地方