Spark性能優化指南——初級篇

原文來個人公衆號：Spark性能優化指南——初級篇

一. Spark做業原理

咱們使用spark-submit提交一個Spark做業以後，這個做業就會啓動一個對應的Driver進程。該進程是向集羣管理器（Yarn,K8s）申請運行Spark做業須要使用的資源，這裏的資源指的就是Executor進程。

YARN集羣管理器會根據咱們爲Spark做業設置的資源參數，在各個工做節點上，啓動必定數量的Executor進程，每一個Executor進程都佔有必定數量的內存和CPU core。

在申請到了做業執行所需的資源以後，Driver進程就會開始調度和執行咱們編寫的做業代碼了。

Driver進程會將咱們編寫的Spark做業代碼分拆爲多個stage，每一個stage執行一部分代碼片斷，併爲每一個stage建立一批task，而後將這些task分配到各個Executor進程中執行。

task是最小的計算單元，負責執行如出一轍的計算邏輯（也就是咱們本身編寫的某個代碼片斷），只是每一個task處理的數據不一樣而已。

一個stage的全部task都執行完畢以後，會在各個節點本地的磁盤文件中寫入計算中間結果，而後Driver就會調度運行下一個stage。

下一個stage的task的輸入數據就是上一個stage輸出的中間結果。如此循環往復，直到將咱們本身編寫的代碼邏輯所有執行完，而且計算完全部的數據，獲得咱們想要的結果爲止。

Spark是根據shuffle類算子來進行stage的劃分。若是咱們的代碼中執行了某個shuffle類算子（好比reduceByKey、join等），那麼就會在該算子處，劃分出一個stage界限來。

能夠大體理解爲，shuffle算子執行以前的代碼會被劃分爲一個stage，shuffle算子執行以及以後的代碼會被劃分爲下一個stage。

 

所以一個stage剛開始執行的時候，它的每一個task可能都會從上一個stage的task所在的節點，去經過網絡傳輸拉取須要本身處理的全部key，而後對拉取到的全部相同的key使用咱們本身編寫的算子函數執行聚合操做（好比reduceByKey()算子接收的函數）。這個過程就是shuffle。

當咱們在代碼中執行了cache/persist等持久化操做時，根據咱們選擇的持久化級別的不一樣，每一個task計算出來的數據也會保存到Executor進程的內存或者所在節點的磁盤文件中。

 

所以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%。

 

task的執行速度是跟每一個Executor進程的CPU core數量有直接關係的。一個CPU core同一時間只能執行一個線程。而每一個Executor進程上分配到的多個task，都是以每一個task一條線程的方式，多線程併發運行的。

若是CPU core數量比較充足，並且分配到的task數量比較合理，那麼一般來講，能夠比較快速和高效地執行完這些task線程。

 

二.核心調優參數

num-executors：

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。（建議50~100個左右的Executor進程）

 

executor-memory：

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。（根據做業大小不一樣，建議設置4G~8G，num-executors乘以executor-memory，是不能超過隊列的最大內存量的）

 

executor-cores：

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。（建議設置爲2~4個，且num-executors * executor-cores不要超過隊列總CPU core的1/3~1/2）

 

driver-memory：

該參數用於設置Driver進程的內存（建議設置512M到1G）。

 

spark.default.parallelism：

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。（建議爲50~500左右，缺省狀況下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。Spark官網建議設置該參數爲num-executors * executor-cores的2~3倍較爲合適）

 

spark.storage.memoryFraction：

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（原則上是儘量保證數據可以所有在內存中，但若是發現做業發生頻繁的GC，就該考慮是否調小）

 

spark.shuffle.memoryFraction：

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。（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）

 

微信掃描二維碼，關注個人公衆號

個人我的網站： http://www.itrensheng.com/