spark 参数调优

目录

• 参数调优
  • num-executors
  • executor-memory
  • executor-cores
  • driver-memory
  • spark.default.parallelism
  • spark.storage.memoryFraction
  • spark.shuffle.memoryFraction
  • 数据本地化
  • shuffle调优
    • Spark Shuffle
    • shuffle可能面临的问题
    • 如何优化解决问题?
    • SortShuffle运行原理
  • 调节Executor堆外内存
  • 参数模板
  • 资源的计算模板

参数调优

num-executors

一般为Task数的1/3或1/2左右，这个参数是必须要设置的

　　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。

executor-memory

OOM：内存溢出

　　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(yarn)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，导致别的同学的作业无法运行。**

executor-cores

一般核数是内存的一半左右，例如：内存是4G，核数就是两核

可以用total-executor-cores总的核数

executor-cores = total-executor-cores / num-executors

　　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

一般不需要指定，除非遇到Driver内存不够，且广播变量很大的时候

　　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，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。

spark.default.parallelism

一般不需要指定，因为默认等于上一个RDD的

　　参数说明：该参数用于设置每个stage的默认task数量。这个参数极为重要，如果不设置可能会直接影响你的Spark作业性能。

　　参数调优建议：Spark作业的默认task数量为500~1000个较为合适。很多同学常犯的一个错误就是不去设置这个参数，那么此时就会导致Spark自己根据底层HDFS的block数量来设置task的数量，默认是一个HDFS block对应一个task。通常来说，Spark默认设置的数量是偏少的（比如就几十个task），如果task数量偏少的话，就会导致你前面设置好的Executor的参数都前功尽弃。试想一下，无论你的Executor进程有多少个，内存和CPU有多大，但是task只有1个或者10个，那么90%的Executor进程可能根本就没有task执行，也就是白白浪费了资源！因此Spark官网建议的设置原则是，设置该参数为num-executors * executor-cores的2~3倍较为合适，比如Executor的总CPU core数量为300个，那么设置1000个task是可以的，此时可以充分地利用Spark集群的资源。

spark.storage.memoryFraction

　　参数说明：该参数用于设置RDD持久化数据在Executor内存中能占的比例，默认是0.6。也就是说，默认Executor 60%的内存，可以用来保存持久化的RDD数据。根据你选择的不同的持久化策略，如果内存不够时，可能数据就不会持久化，或者数据会写入磁盘。

　　参数调优建议：如果Spark作业中，有较多的RDD持久化操作，该参数的值可以适当提高一些，保证持久化的数据能够容纳在内存中。避免内存不够缓存所有的数据，导致数据只能写入磁盘中，降低了性能。但是如果Spark作业中的shuffle类操作比较多，而持久化操作比较少，那么这个参数的值适当降低一些比较合适。此外，如果发现作业由于频繁的gc导致运行缓慢（通过spark web ui可以观察到作业的gc耗时），意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。

spark.shuffle.memoryFraction

　　参数说明：该参数用于设置shuffle过程中一个task拉取到上个stage的task的输出后，进行聚合操作时能够使用的Executor内存的比例，默认是0.2。也就是说，Executor默认只有20%的内存用来进行该操作。shuffle操作在进行聚合时，如果发现使用的内存超出了这个20%的限制，那么多余的数据就会溢写到磁盘文件中去，此时就会极大地降低性能。

　　参数调优建议：如果Spark作业中的RDD持久化操作较少，shuffle操作较多时，建议降低持久化操作的内存占比，提高shuffle操作的内存占比比例，避免shuffle过程中数据过多时内存不够用，必须溢写到磁盘上，降低了性能。此外，如果发现作业由于频繁的gc导致运行缓慢，意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。
资源参数的调优，没有一个固定的值，需要同学们根据自己的实际情况（包括Spark作业中的shuffle操作数量、RDD持久化操作数量以及spark web ui中显示的作业gc情况），同时参考本篇文章中给出的原理以及调优建议，合理地设置上述参数。

spark.storage.memoryFraction默认是0.6，spark.shuffle.memoryFraction默认是0.2，加在一起是0.8，那还有0.2呢？那剩下的0.2适用于spark的代码执行，是预留的内存。

注意：spark.storage.memoryFraction + spark.shuffle.memoryFraction 不能超过0.8

数据本地化

**Application任务执行流程: **
在Spark Application提交后，Driver会根据action算子划分成一个个的job，然后对每一 个job划分成一个个的stage，stage内部实际上是由一系列并行计算的task组成的，然后 以TaskSet的形式提交给你TaskScheduler，TaskScheduler在进行分配之前都会计算出 每一个task最优计算位置。Spark的task的分配算法优先将task发布到数据所在的节点上 ，从而达到数据最优计算位置。

数据本地化级别
PROCESS_LOCAL
NODE_LOCA
NO_PREF
RACK_LOCAL
ANY

配置参数

spark.locality.wait
spark.locality.wait.process
spark.locality.wait.node
spark.locality.wait.rack

一般指定wait的时间（指定最上面的）就好，但是不能给太大

shuffle调优

概述:
reduceByKey:要把分布在集群各个节点上的数据中的同一个key，对应的values，都给集中到一个节点的一个executor的一个task中，对集合起来的value执行传入的函数进行 reduce操作，最后变成一个value

配置
spark.shuffle.manager， 默认是sort
spark.shuffle.consolidateFiles，默认是false
spark.shuffle.file.buffer，默认是32k
spark.shuffle.memoryFraction，默认是0.2

Spark Shuffle

问题:每一个key对应的value不一定都是在一个partition中 ，也不太可能在同一个节点上，因为RDD是分布式的弹性的 数据集，他的partition极有可能分布在各个节点上。

如何聚合?
Shuffle Write:上一个stage的每个map task就必须保证将自己处理 的当前分区中的数据相同的key写入一个分区文件中，可能会写入多个 不同的分区文件中

Shuffle Read:reduce task就会从上一个stage的所有task所在的机 器上寻找属于自己的那些分区文件，这样就可以保证每一个key所对应 的value都会汇聚到同一个节点上去处理和聚合

shuffle可能面临的问题

针对上图中Shuffle过程可能会产生的问题?
小文件过多，耗时低效的IO操作
OOM，读写文件以及缓存过多

如何优化解决问题?

优化后的HashShuffleManager的原理

SortShuffle运行原理

SortShuffle的运行机制主要分成两种:
普通运行机制
bypass运行机制

SortShuffle两种运行机制的区别?

SortShuffleManager普通运行机制

SortShuffleManager bypass运行机制

bypass运行机制的触发条件如下: shuffle reduce task数量小于spark.shuffle.sort.bypassMergeThreshold=200参数的值

调节Executor堆外内存

概述:
Spark底层shuffle的传输方式是使用netty传输，netty在进行网络传输的过程会申请堆外 内存(netty是零拷贝)，所以使用了堆外内存。
什么时候需要调节Executor的堆外内存大小?
shuffle file cannot find (DAGScheduler，resubmitting task)
executor lost
task lost
out of memory (OOM)

问题原因:

• Executor由于内存不足或者对外内存不足了，挂掉了，对应的Executor上面的block manager也挂掉了，找不到对应的shuffle map output文件，Reducer端不能够拉取数据
• Executor并没有挂掉，而是在拉取数据的过程出现了问题

上述情况下，就可以去考虑调节一下executor的堆外内存。也许就可以避免报错;

解决办法:
yarn下: --conf spark.yarn.executor.memoryOverhead=2048 单位M
standlone下: --conf spark.executor.memoryOverhead=2048单位M

默认情况下，这个堆外内存上限默认是每一个executor的内存大小的10%;真正处理大数据的时候， 这里都会出现问题，导致spark作业反复崩溃，无法运行;此时就会去调节这个参数，到至少1G (1024M)，甚至说2G、4G

调节等待时长

• executor在进行shuffle write，优先从自己本地关联的BlockManager中获取某份数据如果本地 block manager没有的话，那么会通过TransferService，去远程连接其他节点上executor的block manager去获取，尝试建立远程的网络连接，并且去拉取数据

• 频繁的让JVM堆内存满溢，进行垃圾回收。正好碰到那个exeuctor的JVM在垃圾回收。处于垃圾回 收过程中，所有的工作线程全部停止;相当于只要一旦进行垃圾回收，spark / executor停止工作， 无法提供响应，spark默认的网络连接的超时时长，是60s;如果卡住60s都无法建立连接的话，那 么这个task就失败了。

解决? --conf spark.core.connection.ack.wait.timeout=300

参数模板

spark-submit \
--class com.shujia.Test \
--master yarn-client \
--num-executors 50 \ executors的数量
--executor-memory 4G \ 每个executor的内存
--executor-cores 2 \ 每个executor的核数
--driver-memory 2G \ driver的内存
--conf spark.storage.memoryFraction=0.6 \ 用于缓存的内存占比
--conf spark.shuffle.memoryFraction=0.2 \ 用于shuffle的内存占比
--conf spark.locality.wait=10s \ task在executor中执行之前的等待时间
--conf spark.shuffle.file.buffer=64k \ shuffle过程中读取文件的缓冲区大小
--conf spark.yarn.executor.memoryOverhead=2048 \ 设置堆外内存
--conf spark.core.connection.ack.wait.timeout=300 \ ack超时时间
--conf spark.network.timeout=120s \ 网络超时时间

这三个参数是必须要指定的，下面的几个无所谓

--num-executors 50 \ executors的数量
--executor-memory 4G \ 每个executor的内存
--executor-cores 2 \ 每个executor的核数

根据模板调参数的时候，要微调

资源的计算模板

100台服务器，每台服务器内存128G,每台服务器cpu是64
内存：12800G - 每台可用的是96G
cpu : 6400

处理10T数据
10T = 80000 block = 80000个分区 = 80000 个task

1、理想情况下每个task由一个cpu处理，这样是最快的
2、由于集群cpu只有6400,每个spark任务最多使用一半 （3000）
--num-executors 1500
--executor-memory 4G
--executor-cores 2
按照这种方案每台服务器中需要启动15executor

尽量在一台服务器中启动一个executor, 一个executor给多一点资源
--num-executors 100
--executor-cores 20
--executor-memory 40G