【Spark学习】Apache Spark集群硬件配置要求

Spark版本：1.1.1

本文系从官方文档翻译而来，转载请尊重译者的工作，注明以下链接：

http://www.cnblogs.com/zhangningbo/p/4135912.html

目录

---

• 存储系统
• 本地磁盘
• 内存
• 网络
• CPU核数

---

Spark开发人员收到的最常见的问题就是如何为Spark做硬件配置。然而恰当的硬件配置取决于你的应用环境，所以我们推荐考虑如下几个要素。

存储系统

---

　　因为大部分Spark作业很可能要从外部存储系统（如HDFS、HBase）读取数据，所以，把Spark平台尽可能地部署在靠近这类存储系统的地方是很重要的。我们推荐从以下几个方面考虑Spark的部署：

• 如果有可能，那么就把Spark与HDFS运行在相同的节点上。最简单的方法就是在HDFS的节点上直接创建Spark Standalone集群，同时分别配置Spark和Hadoop对于内存和CPU的使用量以避免相互干扰（对于Hadoop，相关选项如：mapred.child.java.opts用于设置每个任务需要分配的内存量，mapred.tasktracker.map.tasks.maximum和mapred.tasktracker.reduce.tasks.maximum用于设置任务总数）。要不然，你还可以在通用集群管理器（比如Mesos或Hadoop YARN）上运行Hadoop和Spark。
• 如果不可能，那么就在HDFS所在的局域网内的其他节点上运行Spark。
• 对于HBase这样的低延迟数据库存储系统，最好是在存储系统以外的其他节点上运行计算作业，以避免干扰。

本地磁盘

---

　　当Spark在内存中执行大量的计算作业时，实际上它仍然会使用本地磁盘来存储那些不适合放入RAM中的数据，还有那些在各个stage之间保存的临时输出数据。我们推荐每个节点配备4-8个磁盘，且不要设置为RAID模式（仅仅是作为单独的装载点）。在Linux系统下，以noatime命令行选项装载磁盘可以减少不必要的读磁盘操作。在Spark中，把变量spark.local.dir配置为以逗号分隔的本地磁盘列表。如果你正在运行着HDFS，那么，最好和HDFS使用相同的磁盘。

内存

---

　　通常，在内存容量为8GB到数百GB的主机上，Spark都能很好地运行。在任何情况下，我们都推荐最多只把物理主机上75%的内存分配给Spark；剩下的留给操作系统和缓存。

　　你需要多少内存取决于你的应用程序。要确定你的应用程序在某个数据集上执行时需要多少内存，可以在Spark RDD中加载一部分数据集，并借用Spark 监控UI（http://<driver-node>:4040）上的存储表格（Storage tab）来查看其内存用量。要注意的是内存用量受存储级别和序列化格式的影响极大——解决方法详见Spark调优一文。

　　最后，请注意，配置了200GB以上内存的Java 虚拟机并不能总是正常工作。如果你购买的主机配备的内存超过了这个数值，那么可以在每个主机上启动多个worker JVM来解决这个问题。在Spark Standalone集群上，你可以使用配置文件conf/spark-env.sh中的变量SPARK_WORKER_INSTANCES来设置每个节点上的worker数量，用变量SPARK_WORKER_CORES来设置每个worker上分配的CPU核数。

网络

---

　　我们的经验表明，当数据加载到内存时，大多数Spark应用程序都将受制于网络。最好的办法就是使用10Gbps或更高带宽的网络来加快应用的执行速度。这个办法对于那些分布式reduce应用程序（如group-bys，reduce-bys，及SQL joins）特别有用。在任何一个应用程序中，你都可以从其监控UI（http://<driver-node>:4040）上看到Spark通过网络传输了多少数据量。

CPU核数

---

　　Spark可以在每个主机上很好地缩放数十个CPU核，因为它在线程间极少共享信息。你很可能会在每台主机上最少配置8-16个CPU核。根据你的工作负载所需的CPU成本，你可能还需要更多的CPU核：因为一旦把数据都加载到内存，那么大多数应用程序的瓶颈要么在于CPU，要么在于网络。