apache spark_Apache Spark Job的剖析

apache spark

Apache Spark是通用的大规模数据处理框架。 了解spark如何执行作业对于获取大部分作业非常重要。

关于Spark评估范式的简要介绍：Spark使用的是惰性评估范式，在该范式中，Spark应用程序在驱动程序调用“ Action”之前不会执行任何操作。

惰性评估是火花可以完成的所有运行时/编译时优化的关键。

懒惰的评估不是新概念。 它在函数式编程中使用了数十年。 数据库还使用它来创建逻辑和物理执行计划。 像tensorflow这样的神经网络框架也基于惰性评估。 首先，它构建计算图，然后执行它。

Spark应用程序由工作，阶段和任务组成。 作业和任务由Spark并行执行，但作业内部阶段是顺序执行的。 当您想要调整火花作业时，了解并行执行和顺序执行的内容非常重要。

阶段是按顺序执行的，因此具有多个阶段的作业将使它窒息，并且前一阶段将进入下一个阶段，并带来一些开销，其中包括将阶段输出写入持久性源（即磁盘，hdfs，s3等）并再次读取。 这也称为广泛转换/混洗依赖性。

单阶段作业将非常快，但是您无法使用单阶段构建任何有用的应用程序。

例子

让我们看一些代码示例以更好地理解这一点。

val topXNumbers = randomNumbers
      .filter(_ > 1000) //Stage 1
      .map(value => (value, 1)) // Stage 1

      .groupByKey() //Stage 2
      .map(value => (value._1, value._2.sum)) //Stage 2

      .sortBy(_._2, false) //Stage 3
      .count() // Stage 3

星火DAG

spark ui的DAG视图非常清楚地表明Spark如何查看/执行应用程序。

上面的代码创建了3个阶段，每个阶段的边界都有一些开销，例如（Shuffle读/写）。

单阶段（例如阶段1）中的步骤已合并过滤器和地图。

该视图还具有“任务”，这是执行的最小工作单元。 该应用程序每个阶段有2个任务。

spark应用程序如何执行？ 让我们深入研究如何执行它。 Spark应用程序需要3个组件来执行：

• 驱动程序–提交请求以掌握和协调所有任务。
• 集群管理器–根据驱动程序的请求启动spark执行程序。
• 执行器–执行作业并将结果发送回驱动程序。

Spark应用程序涉及的2个重要组件是Driver＆Executor，当这些组件中的任何一个承受压力时，Spark作业可能会失败，可能是内存/ CPU /网络/磁盘。

在下一节中，我将分享我在执行人方面的一些经验。

执行器问题 ：每个执行器需要2个参数“核心和内存”。 核心决定了执行者可以处理多少个任务，并且该执行者中所有核心/任务之间共享内存。 每个火花作业都有不同类型的需求，因此
反模式，以对所有Spark应用程序使用单一配置。

问题1 –执行者的任务太大：如果任务太大而无法容纳在内存中，执行者将无法处理任务或运行缓慢。 几件事寻找这个问题：

• 驱动程序日志文件长时间停顿（即日志文件不移动）
• GC时间过长，可以从spark UI的“执行者”页面进行验证

• 重试舞台

• 执行器完整记录“内存溢出图”消息

2018-09-30 03:30:06 INFO  ExternalSorter:54 - Thread 44 spilling in-memory map of 371.0 MB to disk (6 times so far)
2018-09-30 03:30:24 INFO  ExternalSorter:54 - Thread 44 spilling in-memory map of 379.5 MB to disk (7 times so far)
2018-09-30 03:30:38 INFO  ExternalSorter:54 - Thread 44 spilling in-memory map of 373.8 MB to disk (8 times so far)
2018-09-30 03:30:58 INFO  ExternalSorter:54 - Thread 44 spilling in-memory map of 384.0 MB to disk (9 times so far)
2018-09-30 03:31:17 INFO  ExternalSorter:54 - Thread 44 spilling in-memory map of 382.7 MB to disk (10 times so far)
2018-09-30 03:31:38 INFO  ExternalSorter:54 - Thread 44 spilling in-memory map of 371.0 MB to disk (11 times so far)
2018-09-30 03:31:58 INFO  ExternalSorter:54 - Thread 44 spilling in-memory map of 371.0 MB to disk (12 times so far)

• 执行器日志出现OOM错误

2018-09-30 03:34:35 ERROR Executor:91 - Exception in task 0.0 in stage 3.0 (TID 273)
java.lang.OutOfMemoryError: GC overhead limit exceeded
 at java.util.Arrays.copyOfRange(Arrays.java:3664)
 at java.lang.String.<init>(String.java:207)
 at java.lang.StringBuilder.toString(StringBuilder.java:407)
 at sun.reflect.MethodAccessorGenerator.generateName(MethodAccessorGenerator.java:770)
 at sun.reflect.MethodAccessorGenerator.generate(MethodAccessorGenerator.java:286)
 at sun.reflect.MethodAccessorGenerator.generateSerializationConstructor(MethodAccessorGenerator.java:112)

如何解决呢？

很快出现的一种选择是在执行程序端增加内存。 它可以工作，但是可以在执行程序端添加多少内存将受到限制，因此很快您将用尽此选项，因为大多数集群都是共享的，并且它对可分配给执行程序的最大内存有限制。

下一个更好的选择是减小单个任务的大小，一切由您控制。 这需要更多的洗牌权衡，但是仍然比以前更好。

Spark UI快照，可用于不良运行和良好运行。

不良运行

好运

第二个是调整分区大小。 不良运行表明所有需要调整分区大小的指标。

问题2 –执行程序中的内核过多 ：这也是一个非常常见的问题，因为我们想通过抛出太多任务来使执行程序过载。 让我们看看如何找出是否存在此问题：

• 在执行者方面花费在GC上的时间
• 执行器日志和消息–溢出的内存映射
• 任务执行期间执行程序上的峰值执行内存 。 仅当作业不在历史记录服务器上运行时，此选项才可用。

我将放置来自sparkUI的2个快照

Partition Executor Cores Memory
 Run 1 100 2 4 2g
 Run 1 100 2 2 2g

4核/ 2执行器

2核心/ 2执行器

8核（4 * 2 Exe）一个人忙于GC开销，而4核（2 * 2 Executor）的一切都减少了一半，仅使用4个核就更高效。

如果您看到这样的模式，请减少执行程序核心，并增加执行程序数量，以使Spark工作更快。

问题3 –纱线内存开销 ：这是我的最爱，并且以下错误确认Spark应用程序存在此问题

“ ExecutorLostFailure（执行器2退出是由于正在运行的任务之一引起的）原因：容器因超出内存限制而被YARN杀死。

已使用XXX GB的XXX GB物理内存。 考虑提高spark.yarn.executor.memoryOverhead”

每当出现此错误时，大多数开发人员都会在堆栈上溢出并增加“ spark.yarn.executor.memoryOverhead”参数值。

这是不错的选择，因为短期内它很快就会再次失败，您将继续增加它，最终用尽选择权。

我认为增加“ spark.yarn.executor.memoryOverhead”作为反模式，因为指定的任何内存都会添加到执行程序的总内存中。

此错误意味着执行程序过载，最好的选择是尝试我上面提到的其他解决方案。

Spark有太多的调整参数，以至于有时看起来像是在计划驾驶舱中选址。

此博客中使用的所有代码都可以在@sparkperformance github repo上找到

翻译自: https://www.javacodegeeks.com/2018/10/anatomy-apache-spark-job.html

apache spark