Spark on Yarn 最佳运行参数调优-计算方式_spark on yarn 调优 nodemanager

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新软件测试全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上软件测试知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注软件测试）

正文

Top命令 查看内存信息

Free -h命令 查看内存信息（人性化显示）
cdh-master

cdh-worker1

cdh-worker2

计算参考因素

2.1 Yarn ApplicationMaster（AM）：

AM负责从ResourceManager申请资源，与NodeManager进行通信启动/停
止任务，监控资源的使用。在Yarn上执行Spark也要考虑AM所需资源（1G
和 1个Executor）。

2.2 HDFS Throughput：

HDFS Client有多个并发线程写的问题，HDFS每个Executor的使用5个任
务就可获取完全并发写。因此最好每个Executor的cores不高于5.

2.3 MemoryOverhead：spark.yarm.executor.memoryOverhead
下面图片展示 spark-yarn-memory-usage

每个executor需要内存=
spark-executor-memory+spark.yarm.executor.memoryOverhead
spark.yarm.executor.memoryOverhead=Max（384m，7%*spark.executor.memory）
即大 于等于384M
如果我们为每个executor申请20GB资源，实际上AM获取的资源20GB+7%*20GB=～
23GB。

总结：该集群现有内存 核数 使用状态

核数：单台机器 8核 * 3 = 24 核数 core
内存：三台机器总可用内存 70g

计算：

4.1 最优化计算

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注软件测试）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
-1713415503165)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！