spark资源层面调优

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。

 

3、资源参数参考示例

      以下是一份spark-submit命令的示例，大家可以参考一下，并根据自己的实际情况进行调节：

 

[plain] view plaincopy print?

./bin/spark-submit\ 

  --master yarn-cluster \ 

  --num-executors 100 \ 

  --executor-memory 6G \ 

  --executor-cores 4 \ 

  --driver-memory 1G \ 

  --conf spark.default.parallelism=1000 \ 

  --conf spark.storage.memoryFraction=0.5\ 

  --conf spark.shuffle.memoryFraction=0.3\ 

 

 

 

 

 

spark开启推测机制

开启推测机制

推测机制后，如果集群中，某一台机器的几个task特别慢，推测机制会将任务分配到其他机器执行，最后Spark会选取最快的作为最终结果。

在spark-default.conf 中添加：spark.speculation true

推测机制与以下几个参数有关：

1. spark.speculation.interval100：检测周期，单位毫秒；

2. spark.speculation.quantile0.75：完成task的百分比时启动推测；

3. spark.speculation.multiplier1.5：比其他的慢多少倍时启动推测。