spark的分配资源主要就是 executor、cpu per executor、memory per executor、driver memory 等的调节,在我们在生产环境中,提交spark作业时,用的spark-submit shell脚本,里面调整对应的参数:
/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 \
首先要了解你的机子的资源,多大的内存,多少个cpu core,就根据这个实际情况去设置,能使用多少资源,
就尽量去调节到最大的大小(executor的数量,几十个到上百个不等;executor内存;executor cpu core)。
Spark Standalone 模式下,如果每台机器可用内存是4G,2个cpu core,20台机器,那可以设置:
20个executor;每个
executor4G内存2个cpu core。
yarn 模式下,根据spark要提交的资源队列资源来考虑,如果所在队列资源为500G内存,100个cpu core,那可以设置:
50个executor;每个executor10G内存2个cpu core。
调节资源后,
SparkContext
,
DAGScheduler
,
TaskScheduler
,会将我们的算子,切割成大量的
task
,提交到
Application
的
executor
上面去执行。
增加每个
executor
的
cpu core
,也是增加了执行的并行能力。原本
20
个
executor
,每个才
2
个
cpu core
。能够并行执行的
task
数量,就是
40
个
task
。
现在每个
executor
的
cpu core
,增加到了
5
个。能够并行执行的
task
数量,就是
100
个
task
。
执行的速度,提升了
2.5
倍。
如果
executor
数量比较少,那么,能够并行执行的
task
数量就比较少,就意味着,我们的
Application
的并行执行的能力就很弱。
比如有
3
个
executor
,每个
executor
有
2
个
cpu core
,那么同时能够并行执行的
task
,就是
6
个。
6
个执行完以后,再换下一批
6
个
task
。
增加了
executor
数量以后,那么,就意味着,能够并行执行的
task
数量,也就变多了。比如原先是
6
个,现在可能可以并行执行
10
个,甚至
20
个,
100
个。那么并行能力就比之前提升了数倍,数十倍。
相应的,性能(执行的速度),也能提升数倍
~
数十倍。
增加每个
executor
的内存量。增加了内存量以后,对性能的提升,有两点:
1
、如果需要对
RDD
进行
cache
,那么更多的内存,就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
。
2
、对于
shuffle
操作,
reduce
端,会需要内存来存放拉取的数据并进行聚合。如果内存不够,也会写入磁盘。如果给
executor
分配更多内存以后,就有更少的数据,需要写入磁盘,甚至不需要写入磁盘。减少了磁盘
IO
,提升了性能。
3
、对于
task
的执行,可能会创建很多对象。如果内存比较小,可能会频繁导致
JVM
堆内存满了,然后频繁
GC
,垃圾回收,
minor GC
和
full GC
。(速度很慢)。内存加大以后,带来更少的
GC
,垃圾回收,避免了速度变慢,速度变快了。