spark submit

spark   on yarn 的提交模式

资源参数调优

spark资源参数调优，其实主要就是对spark运行中各个使用资源的地方,通过调节各种参数，来优化资源的使用效率

从而提升Spark作业的执行性能。

以下参数就是spark中主要的资源参数，每个参数都对应着作业运行原理的某个部分，在这里同时给出了参数调优的参考值

 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节点上，启动相应数量的Executor进程。这个参数非常重要，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内存太小，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。但这只是一个参考值，具体的设置还是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内存限制是多少，num-executors乘以executor-memory,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，那么申请的内存量最好不要超过最大总内存的1/3~1/2,避免你自己的Spark作业占用了队列的所有资源，导致团队其他的作业无法运行。

executors-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 数量设置位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，在依据设置的Executor数量，来决定每个Executor进程可以分配到几个CPU core。同样建议，如果是跟其他人共享这个队列，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，也是避免影响团队其他作业的运行。

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，如果要使用collect算子将RDD的数据全部拉取到Driver上进行处理，那必须确保Driver内存足够大，否则会出现OOM内存溢出的问题。

spark.default.parallism

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个比较合适。很多人会犯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只有一个或者10个，那么90%的Executor进程可能根本就没有task执行，也就是白白的浪费了资源！因此Spark官网建议的设置原则是，设置参数为num-executors * executor-cores的2~3倍较为合适

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，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20%的限制，那么多余的数据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过程中的数据过多时内存不够用，必须益写到磁盘上，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。

./bin/spark -submit \

--master yarn-cluster \

--num-executors 100 \

--executor-memory 6G \

--driver-memory 1G \

--conf spark.default.parallelism = 1000 \

--conf spark.storage.memoryFraction =0.5 \

--conf spark.shuffle.memoryFraction =0.3\