Spark性能调优（一）---在项目中分配更多的资源

一、分配更多资源

性能调优的王道，就是增加和分配更多的资源，性能和速度上会得到很大提升。基本上，在一定的范围之内，增加的资源和性能的提升是成正比的。所以，性能调优的第一步是增加资源，调节最优的资源配置；第二步，能够分配的资源达到能力范围的顶端后，无法再分配更多的资源，需要考虑下面几个性能调优的点。

 

二、性能调优的点

①分配哪些资源？

• executor
• cup per executor
• memory per executor
• driver memory

②在哪里分配资源？

在我们的生产环境中，提交spark作业时，用的spar-submit shell脚本，调整对应的参数

/usr/local/spark/bin/spark-submit \ --class cn.spark.sparktest.core.WordCountCluster \ --num-executors 3 \  配置executor的数量 --driver-memory 100m \  配置driver的内存（影响不大） --executor-memory 100m \  配置每个executor的内存大小 --executor-cores 3 \  配置每个executor的cpu core数量 /usr/local/SparkTest-0.0.1-SNAPSHOT-jar-with-dependencies.jar \

 

③调节到多大才算最大？

第一种，Spark Standalone，公司的Spark集群上，根据实际情况，调节每个spark作业的资源分配。比如集群有30台机器，每台机器8G内存，4个cpu core；20个executor；那么，每个executor分配12G内存，6个cpu core。

第二种，Yarn。spark作业提交到yarn资源队列执行，需要查看队列剩下的可以使用的资源。比如500G内存，200个cpu core；50个executor；那么每个executor分配10G内存，4个cpu core。

 

三、为什么调节了资源之后，性能可以提升？

①增加executor

如果executor的数量少，那么能够 并行执行的task数量就会变少，这就意味着Application的并行执行能力比较弱。

比如有3个executor，每个executor有2个cpu core，那么同时能够执行的task数量为6个。执行完当前的6个task后，再执行下一批6个task。

增加了executor后，能够并行执行的task的数量就会变多，就以为着性能得到提升。

②增加每个executor的cpu core

根据上面一点，Application的并行执行能力跟每个executor的cpu core数量有关。

比如，原来有20个executor，每个executor有2个cpu core，那么并行执行的task数量为40个；

现在还是20个executor，把每个executor的数量增加到5个，那么并行执行的task数量为100个，性能提升了2.5倍。

③增加每个executor的内存

增加每个executor的内存，对性能的提升有3点：

• 如果需要对RDD进行cache，更多的内存意味着可以缓存更多的数据，将更少的数据写入磁盘，甚至不写入磁盘，减少了磁盘IO，性能得到提升；
• 对于shuffle操作，reduce端需要内存，来存放拉取过来的数据并进行聚合。如果内存不够，会写入磁盘。如果给executor分配更多的内存，那么需要写入磁盘的数据就会变少，甚至没有数据需要写入磁盘，减少了磁盘IO，性能得到提升；
• 对于task的执行，可能需要创建对象。如果内存比较小，可能会导致频繁的JVM存内存满了，然后频繁的GC垃圾回收（minor GC和full GC），导致性能下降。内存加大之后，GC变少了，避免了性能下降，性能得到提升。