spark集群硬件建议

ps：硬件配置其实都是根据实际的情况的，没有说某种配置就可以套在各种场景上

大部分spark 任务都是要到外部存储系统去读取数据源，比如hdfs，hbase等等，让spark计算尽可能近的数据源是很重要的，说白了就是数据本地性。所以这种情况一般都建议部署spark worker节点跟hdfs datanode节点一致。（跟hbase regionserver与hdfs datanode一对一同理的）

比如spark standalone，那么worker节点与datanode一致，spark on yarn，nodemanager节点跟datanode节点一致。此外对于低延迟的存储系统，比如hbase，spark计算节点应尽可能的与它错开，避免资源抢占，产生干扰。

关于磁盘：

虽然spark基于内存做大量的计算，但是当内存中数据放不下的时候，还是会保存数据到本地磁盘。stage之间的中间结果一样，也是要落磁盘的。对于磁盘一般推荐每个节点4-8块（如果每个节点的磁盘容量确定，那么不建议磁盘少、每块容量过大这种形式。我们生产上使用的盘每块1.1T，每个节点20+块）并且不需要做RAID，单独挂载即可，在linux环境下，挂载磁盘时可以对noatime参数设置以减少不必要的写入。对于spark，配置spark.local.dir参数，多块盘以逗号分割填写，当然，最好跟hdfs配置的磁盘一致。

关于内存：

通常情况，不管是8G还是上百G的内存机器（但节点），spark都能运行的比较好。但是在内存分配上，推荐分配75%的内存给spark，25%的内存留给系统和buffer cache

究竟需要多少的内存是取决于你的application的，如何判断你的application在某数据集下需要用多少内存，可以读取数据源创建RDD然后进行cache,在spark web ui界面查看storage大小，得到一个估计值。当然这跟你使用哪种cache level以及使用哪种序列化也有关系（所以最好先计划好用哪种序列化方式，以及哪种persist方式）；此外，如果单节点内存很大，比如超过200G，分配给spark executor的内存不适合过大。可以单个节点多分配几个executor

关于网络：

推荐10 Gigabit或者更高的网卡配置，尤其有大量的shuffle存在时，比如groupby，reduceby，sql join之类的。另外可以在spark web ui界面查看通过网络传输的shuffle数据量。

关于cpu:

单节点至少8-16核，根据你应用的实际负载决定，在内存中计算的情况下，那么存在瓶颈的可能就是cpu或者网络带宽