小记---------spark优化之更优分配资源
![](https://img2018.cnblogs.com/blog/1492482/201910/1492482-20191022215800394-585823679.png)
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,
![](https://img2018.cnblogs.com/blog/1492482/201910/1492482-20191022215805428-2000369318.png)
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
|
作者:于二黑
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。