【Spark学习】Apache Spark配置
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/4137969.html
Spark配置
Spark属性
动态加载Spark属性
查看Spark属性
可用属性
大部分用于控制内部设置的属性都有合理的默认值。一部分最通用的选项设置如下：
应用程序属性
| 属性名称 | 默认值 | 含义 |
| spark.app.name | (none) | 应用程序名称。该参数的值会出现在UI和日志记录中。 |
| spark.master | (none) | 要连接的集群管理器。详见支持的masterURL列表。 |
| spark.executor.memory | 512m | 每个executor进程要用的内存量。与JVM内存字符串的格式相同（如，512m，2g）。 |
| spark.serializer | org.apache.spark.serializer.JavaSerializer | 用于序列化对象（以序列化形式通过网络发送或者在内存中缓存的对象）的类，默认的Java序列化适用于任何可序列化的Java对象，但速度很慢。因此，在需要较快速度的场合，我们推荐使用org.apache.spark.serializer.KryoSerializer并配置Kryo序列化。该参数的值可以是org.apache.spark.serializer的任何子类。 |
| spark.kryo.registrator | (none) | 如果你使用Kryo序列化，那么，需要设置该类以便使用Kryo来注册你的自定义类。该参数应当设置成一个扩展KryoRegistrator的类。详见调优指南。 |
| spark.local.dir | /tmp | 在Spark中“草稿”空间所用的路径，包括存储于磁盘上的map输出文件和RDD。该参数值应当指向一个快速的本地磁盘路径。也可以是多个以逗号分隔的位于不同磁盘的路径列表。注意:从Spark1.0以后，该参数会被集群管理器所设置的SPARK_LOCAL_DIRS（Standalone，Mesos模式下）或者LOCAL_DIRS（YARN模式下）环境变量覆盖。 |
| spark.logconf | false | 当SparkContext启动时，以INFO日志级别记录有效的SparkConf设置。 |
除了以上属性，下面的属性也可用 ，而且在某些情形下会很有用：
运行时环境
| 属性名称 | 默认值 | 含义 |
| spark.executor.extraJavaOptions | (none) | 传递给executor的额外JVM选项字符串。例如，GC设置或其他日志设置。注意，使用该选项来设置spark属性或heap大小是不合法的。Spark属性应当使用SparkConf对象设置，或者在脚本spark-submit中使用spark-defaults.conf文件。Heap大小可以用spark.executor.memory来设置。 |
| spark.executor.extraClassPath | (none) | 追加到executor classpath中的额外classpath条目。该参数主要是为了与老版本的spark后向兼容。用户通常不需要设置该选项。 |
| spark.executor.extraLibraryPath | (none) | 设置一个启动executor JVM时使用的特殊库路径。 |
| spark.files.userClassPathFirst | false | （实验特性）当把用户添加的jar包和Spark自有jar包中的类加载到executor时，是否优先处理前者，再处理后者。该特性可以用于减少Spark依赖和用户依赖之间的冲突。当前该特性是实验性的。 |
| spark.python.worker.memory | 512m | 聚集过程中每个python worker进程所用的内存量，与Java内存字符串的格式相同（如512m，2g）。如果进程在聚集期间所用的内存超过了该值，那么，就会把数据写入磁盘。 |
| spark.executorEnv.[EnvironmentVariableName] | (none) | 把EnvironmentVariableName指定的环境变量添加到executor进程中。用户可以指定多个值来设置多个环境变量。 |
| spark.mesos.executor.home | driver side SPARK_HOME | 设置Spark在Mesos集群中的executor主机上所安装的路径。默认情况下，executor简单地使用driver上的Spark home路径（executor不可见），注意，如果Spark二进制包不是通过spark.executor.uri来指定的，那么该值就是确切的。 |
| spark.mesos.executor.memoryOverhead | executor memory * 0.07，最小值为384 | 该值是spark.executor.memory的附加值，以MB为单位，用于计算Mesos任务的内存总量。384代表开销为384MB。此外，硬编码的7%为最小开销比例。最终的开销是二者中最大的，即max（spark.mesos.executor.memoryOverhead，spark.executor.memory * 7%） |
Shuffle行为
| 属性名称 | 默认值 | 含义 |
Spark UI
| 属性名称 | 默认值 | 含义 |
压缩与序列化
| 属性名称 | 默认值 | 含义 |
执行行为
| 属性名称 | 默认值 | 含义 |
网络
| 属性名称 | 默认值 | 含义 |
调度
| 属性名称 | 默认值 | 含义 |
安全
| 属性名称 | 默认值 | 含义 |
Spark Streaming
| 属性名称 | 默认值 | 含义 |
集群管理器
每个集群管理器都有额外的配置选项。这些配置参见每种模式各自的页面：
YARN
Mesos
Standalone
环境变量
某些Spark属性可以通过环境变量来配置，这些变量可以从conf/spark-env.sh脚本（windows平台为conf/spark-env.cmd）中读取。在Standalone和Mesos模式下，该脚本文件可以给出主机相关信息，比如主机名，也可以作为运行本地Spark应用程序或者子任务脚本时的源文件。
注意，conf/spark-env.sh默认安装情况下是不存在的。但是，你可以通过复制conf/spark-env.sh.template来创建它并确保其为可执行的。
以下变量可以在spark-env.sh文件中设置：
| 环境变量 | 含义 |
| JAVA_HOME | Java安装的位置（如果没有在默认的环境变量PATH中指定，就采用该值） |
| PYSPARK_PYTHON | PySpark所用的Python二进制可执行文件 |
| SPARK_LOCAL_IP | 主机所绑定的IP地址 |
| SPARK_PUBLIC_DNS | Spark程序通告给其他主机的主机名 |
除了以上变量，还有一些创建Spark Standalone集群脚本的选项，比如每台主机所用的CPU核数和最大内存。
由于spark-env.sh是脚本，所以有些选项可以通过程序来设置——例如，你可以通过查询指定网卡的IP地址来确定SPARK_LOCAL_IP。
配置日志记录
Spark使用log4j来记录日志。你可以在路径conf中添加log4j.properties文件来配置该功能。还有一种启动方法就是在原地复制log4j.properties.template文件。
覆盖配置路径
要指定其他配置路径而不使用默认的“SPARK_HOME/conf” ，你可以设置SPARK_CONF_DIR环境变量。Spark将会使用该变量指定路径中的配置文件（spark-defaults.conf，spark-env.sh，log4j.properties等）。
