spark on yarn 資源調度（cdh爲例）

1、CPU配置：

    ApplicationMaster 虛擬 CPU內核

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

   ApplicationMaster佔用的cpu內核數（Gateway--資源管理 ）

  //通常設置1個核，若是想啓動時候快一點能夠多設置核數，但它無論資源分配，因此只要保證任務執行過程當中不掛就能夠了

   容器虛擬 CPU內核

yarn.nodemanager.resource.cpu-vcores

//單 個NodeManager 最大能分配的cpu核數 （NodeManager --資源管理 ）   

由於全部該機器上的全部進程須要資源都向nodemanager申請資源，因此nodemanager設置爲機器 最大能分配的核數，除非該機器上還有別的進程須要運行，且不是經過yarn進行資源調度。

 結論：當前 nodemanager申請的 ApplicationMaster數總和小於nodemanager最大cpu內核數

 
Yarn 集羣參數調優

  2、內存配置：

 container容器內存

yarn.nodemanager.resource.memory-mb    

//單個NodeManager能分配的最大內存（NodeManager --資源管理）

//Memory Total = 單個NodeManager內存 * 節點數

 結論：提交任務佔用內存Memory Used小於Memory Total

 Map 任務內存

 mapreduce.map.memory.mb

//爲做業的每一個 Map 任務分配的物理內存量  （Gateway--資源管理 ）   

     結論：map或reduce的內存需求不大於appmaster的內存需求

    

   最大容器內存

yarn.scheduler.maximum-allocation-mb

 //單個任務可申請最大內存 （ResourceManager--資源管理 ）

 

Yarn 集羣參數調優（以CDH集羣爲例）

  3、同一個Map或者Reduce並行執行：

  Map 任務推理執行（若是一個map任務執行特別慢，yarn會在其餘機器上啓動一個如出一轍的map任務，yarn會看誰先執行完成，而後把其餘一個任務關掉）

mapreduce.map.speculative       //Gateway

   Reduce 任務推理執行

mapreduce.reduce.speculative    //Gateway    

  4、spark加日誌查看(舊版本)

   編輯 spark-defaults.conf

 

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

 

  5、JVM重用

    啓用 Ubertask優化：

 mapreduce.job.ubertask.enable | (默認false)     //true則表示啓用jvm重用（Gateway--性能 ）

資源參數調優
　　瞭解完了Spark做業運行的基本原理以後，對資源相關的參數就容易理解了。所謂的Spark資源參數調優，其實主要就是對Spark運行過程當中各個使用資源的地方，經過調節各類參數，來優化資源使用的效率，從而提高Spark做業的執行性能。如下參數就是Spark中主要的資源參數，每一個參數都對應着做業運行原理中的某個部分，咱們同時也給出了一個調優的參考值。
 
num-executors


　　參數說明：該參數用於設置Spark做業總共要用多少個Executor進程來執行。Driver在向YARN集羣管理器申請資源時，YARN集羣管理器會盡量按照你的設置來在集羣的各個工做節點上，啓動相應數量的Executor進程。這個參數很是之重要，若是不設置的話，默認只會給你啓動少許的Executor進程，此時你的Spark做業的運行速度是很是慢的。

　　參數調優建議：每一個Spark做業的運行通常設置50~100個左右的Executor進程比較合適，設置太少或太多的Executor進程都很差。設置的太少，沒法充分利用集羣資源；設置的太多的話，大部分隊列可能沒法給予充分的資源。
 
executor-memory


　　參數說明：該參數用於設置每一個Executor進程的內存。Executor內存的大小，不少時候直接決定了Spark做業的性能，並且跟常見的JVM OOM異常，也有直接的關聯。

　　參數調優建議：每一個Executor進程的內存設置4G~8G較爲合適。可是這只是一個參考值，具體的設置仍是得根據不一樣部門的資源隊列來定。能夠看看本身團隊的資源隊列的最大內存限制是多少，num-executors乘以executor-memory，就表明了你的Spark做業申請到的總內存量（也就是全部Executor進程的內存總和），這個量是不能超過隊列的最大內存量的。此外，若是你是跟團隊裏其餘人共享這個資源隊列，那麼申請的總內存量最好不要超過資源隊列最大總內存的1/3~1/2，避免你本身的Spark做業佔用了隊列全部的資源，致使別的同窗的做業沒法運行。
 
executor-cores


　　參數說明：該參數用於設置每一個Executor進程的CPU core數量。這個參數決定了每一個Executor進程並行執行task線程的能力。由於每一個CPU core同一時間只能執行一個task線程，所以每一個Executor進程的CPU core數量越多，越可以快速地執行完分配給本身的全部task線程。

　　參數調優建議：Executor的CPU core數量設置爲2~4個較爲合適。一樣得根據不一樣部門的資源隊列來定，能夠看看本身的資源隊列的最大CPU core限制是多少，再依據設置的Executor數量，來決定每一個Executor進程能夠分配到幾個CPU core。一樣建議，若是是跟他人共享這個隊列，那麼num-executors * executor-cores不要超過隊列總CPU core的1/3~1/2左右比較合適，也是避免影響其餘同窗的做業運行。
 
driver-memory


　　參數說明：該參數用於設置Driver進程的內存。

　　參數調優建議：Driver的內存一般來講不設置，或者設置1G左右應該就夠了。惟一須要注意的一點是，若是須要使用collect算子將RDD的數據所有拉取到Driver上進行處理，那麼必須確保Driver的內存足夠大，不然會出現OOM內存溢出的問題。
 

spark.default.parallelism

　　參數說明：該參數用於設置每一個stage的默認task數量。這個參數極爲重要，若是不設置可能會直接影響你的Spark做業性能。

　　參數調優建議：Spark做業的默認task數量爲500~1000個較爲合適。不少同窗常犯的一個錯誤就是不去設置這個參數，那麼此時就會致使Spark本身根據底層HDFS的block數量來設置task的數量，默認是一個HDFS block對應一個task。一般來講，Spark默認設置的數量是偏少的（好比就幾十個task），若是task數量偏少的話，就會致使你前面設置好的Executor的參數都前功盡棄。試想一下，不管你的Executor進程有多少個，內存和CPU有多大，可是task只有1個或者10個，那麼90%的Executor進程可能根本就沒有task執行，也就是白白浪費了資源！所以Spark官網建議的設置原則是，設置該參數爲num-executors * executor-cores的2~3倍較爲合適，好比Executor的總CPU core數量爲300個，那麼設置1000個task是能夠的，此時能夠充分地利用Spark集羣的資源。
 

spark.storage.memoryFraction

　　參數說明：該參數用於設置RDD持久化數據在Executor內存中能佔的比例，默認是0.6。也就是說，默認Executor 60%的內存，能夠用來保存持久化的RDD數據。根據你選擇的不一樣的持久化策略，若是內存不夠時，可能數據就不會持久化，或者數據會寫入磁盤。

　　參數調優建議：若是Spark做業中，有較多的RDD持久化操做，該參數的值能夠適當提升一些，保證持久化的數據可以容納在內存中。避免內存不夠緩存全部的數據，致使數據只能寫入磁盤中，下降了性能。可是若是Spark做業中的shuffle類操做比較多，而持久化操做比較少，那麼這個參數的值適當下降一些比較合適。此外，若是發現做業因爲頻繁的gc致使運行緩慢（經過spark web ui能夠觀察到做業的gc耗時），意味着task執行用戶代碼的內存不夠用，那麼一樣建議調低這個參數的值。
 

spark.shuffle.memoryFraction

　　參數說明：該參數用於設置shuffle過程當中一個task拉取到上個stage的task的輸出後，進行聚合操做時可以使用的Executor內存的比例，默認是0.2。也就是說，Executor默認只有20%的內存用來進行該操做。shuffle操做在進行聚合時，若是發現使用的內存超出了這個20%的限制，那麼多餘的數據就會溢寫到磁盤文件中去，此時就會極大地下降性能。

　　參數調優建議：若是Spark做業中的RDD持久化操做較少，shuffle操做較多時，建議下降持久化操做的內存佔比，提升shuffle操做的內存佔比比例，避免shuffle過程當中數據過多時內存不夠用，必須溢寫到磁盤上，下降了性能。此外，若是發現做業因爲頻繁的gc致使運行緩慢，意味着task執行用戶代碼的內存不夠用，那麼一樣建議調低這個參數的值。
資源參數的調優，沒有一個固定的值，須要同窗們根據本身的實際狀況（包括Spark做業中的shuffle操做數量、RDD持久化操做數量以及spark web ui中顯示的做業gc狀況），同時參考本篇文章中給出的原理以及調優建議，合理地設置上述參數。

 

Executor的內存主要分爲三塊：第一塊是讓task執行咱們本身編寫的代碼時使用，默認是佔Executor總內存的20%；第二塊是讓task經過shuffle過程拉取了上一個stage的task的輸出後，進行聚合等操做時使用，默認也是佔Executor總內存的20%；第三塊是讓RDD持久化時使用，默認佔Executor總內存的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 "#spark 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 "#結束 `date '+%Y-%m-%d %H:%M:%S'`" >> ${LOG_FILE}
exit $ret

注意，有些參數是和運行模式有關係的，好比  total-executor-cores  只對standalone和Mesos模式起做用，對cluster模式不起做用

參數解釋

--queue infrastructure \

 

提交到yarn 上使用的資源隊列，默認是default,這裏使用infrastructure ，資源對列在hadoop中設置，詳見http://blog.csdn.net/cottonduke/article/details/60576545--------------------- 做者：YiRan_Zhao 來源：CSDN 原文：https://blog.csdn.net/yiran_zhao/article/details/81089248 版權聲明：本文爲博主原創文章，轉載請附上博文連接！