spark on yarn

启动spark集群中的某个worker节点：

可以使用下面的脚本启动一个或多个连接到master的worker

./sbin/start-slave.sh <master-spark-URL>

./start-slave.sh 192.168.181.128:7077

Yarn：

     ResourceManager, NodeManager， ApplicationMaster, Container

    

Yarn 集群参数调优（以CDH集群为例）

  一、CPU配置：

    ApplicationMaster 虚拟 CPU内核

     yarn.app.mapreduce.am.resource.cpu-vcores   

// ApplicationMaster占用的cpu内核数（Gateway--资源管理 ）

一般设置1个核，如果想启动时候快一点可以多设置核数，但它不管资源分配，所以只要保证任务执行过程中不挂就可以了

   容器虚拟 CPU内核

     yarn.nodemanager.resource.cpu-vcores

//单 个NodeManager 最大能分配的cpu核数 （NodeManager --资源管理 ）   

因为所有该机器上的所有进程需要资源都向nodemanager申请资源，所以nodemanager设置为机器 最大能分配的核数，除非该机器上还有别的进程需要运行，且不是通过yarn进行资源调度。

  

     结论：当前 nodemanager申请的 ApplicationMaster数总和小于nodemanager最大cpu内核数

Yarn 集群参数调优（以CDH集群为例）

  二、内存配置：

    容器内存

     yarn.nodemanager.resource.memory-mb    

//单个NodeManager能分配的最大内存（NodeManager --资源管理） 

//Memory Total = 单个NodeManager内存 * 节点数

     结论：提交任务占用内存Memory Used小于Memory Total

   Map 任务内存

     mapreduce.map.memory.mb

//为作业的每个 Map 任务分配的物理内存量  （Gateway--资源管理 ）   

     结论：map或reduce的内存需求不大于appmaster的内存需求

    

   最大容器内存

    yarn.scheduler.maximum-allocation-mb

 //单个任务可申请最大内存 （ResourceManager--资源管理 ）

Yarn 集群参数调优（以CDH集群为例）

  三、同一个Map或者Reduce并行执行：

    Map 任务推理执行（如果一个map任务执行特别慢，yarn会在其他机器上启动一个一模一样的map任务，yarn会看谁先执行完成，然后把其他一个任务关掉）

     mapreduce.map.speculative       //Gateway

   Reduce 任务推理执行

     mapreduce.reduce.speculative    //Gateway    

  

 

  四、spark加日志查看(旧版本)

   编辑 spark-defaults.conf

    spark.yarn.historyServer.address=http://crxy167:18088/

  五、JVM重用

    启用 Ubertask优化：

    mapreduce.job.ubertask.enable | (默认false)     //true则表示启用jvm重用（Gateway--性能 ）

资源参数调优
　　了解完了Spark作业运行的基本原理之后，对资源相关的参数就容易理解了。所谓的Spark资源参数调优，其实主要就是对Spark运行过程中各个使用资源的地方，通过调节各种参数，来优化资源使用的效率，从而提升Spark作业的执行性能。以下参数就是Spark中主要的资源参数，每个参数都对应着作业运行原理中的某个部分，我们同时也给出了一个调优的参考值。

num-executors

　　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

　　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，导致别的同学的作业无法运行。

executor-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，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

　　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。

Executor的内存主要分为三块：第一块是让task执行我们自己编写的代码时使用，默认是占Executor总内存的20%；第二块是让task通过shuffle过程拉取了上一个stage的task的输出后，进行聚合等操作时使用，默认也是占Executor总内存的20%；第三块是让RDD持久化时使用，默认占Executor总内存的60%。

提交spark

#!/bin/bash
source /etc/profile
export LANG=zh_CN.UTF-8


year=`date -d "yesterday" +%Y`
month=`date -d "yesterday" +%m`
day=`date -d "yesterday" +%d`


SPARK_MASTER=spark://10.110.79.2:7077
SPARK_DEPLOY="--master yarn --deploy-mode cluster"
#SPARK_RESOURCE="--executor-memory 45G --executor-cores 4"
SPARK_RESOURCE="--num-executors 4"
SCRIPT_PATH="/opt/shell/log"
LOG_PATH="/app/log"
cluster1="hdfs://logcluster2"
jarname=/opt/shell/log/lib/leagsoft-1.0-SNAPSHOT-jar-with-dependencies.jar
inputDir=/leagsoft
outputMysqlDir=/model/leagsoft_user/mysql
outputESDir=/model/leagsoft_user/es
LOG_FILE="${LOG_PATH}/module/leagsoft/user/log_2hdfs_`date +%Y%m%d`"


echo "#saprk leagsoftUserInfo2hdfsAndES `date '+%Y-%m-%d %H:%M:%S'`" >> ${LOG_FILE}


hadoop fs -test -e "${inputDir}/${year}/${month}/${day}"
if [ $? -eq 0 ] ; then


spark-submit ${SPARK_DEPLOY}  ${SPARK_RESOURCE} \
--queue infrastructure \
--executor-memory 10G \
--executor-cores 2  \             
--class  com.express.sf.leagsoft.leagsoft_user \
--conf spark.default.parallelism=16 \
--conf spark.shuffle.consolidateFiles=true \
--conf "spark.es.nodes=10.110.77.48" \
--conf "spark.es.port=9200" \
--conf "spark.es.index.auto.create=true" \
--conf "spark.es.batch.size.entries=50000" \
--conf spark.kryoserializer.buffer.max=64mb \
--conf spark.kryoserializer.buffer=256 \
 "${jarname}" \
${cluster1}${inputDir}/$year/$month/$day  ${cluster1}${outputESDir}/$year/$month/$day ${cluster1}${outputMysqlDir}/$year/$month/$day


ret=$?
fi

echo "#结束 `date '+%Y-%m-%d %H:%M:%S'`" >> ${LOG_FILE}
exit $ret

注意，有些参数是和运行模式有关系的，比如  total-executor-cores  只对standalone和Mesos模式起作用，对cluster模式不起作用

参数解释

--queue infrastructure \

提交到yarn 上使用的资源队列，默认是default,这里使用infrastructure ，资源对列在hadoop中设置，详见http://blog.youkuaiyun.com/cottonduke/article/details/60576545