from:http://spark.apache.org/docs/1.6.2/configuration.html#shuffle-behavior
spark.shuffle.file.buffer
以下是 Shffule 过程中的一些主要参数,这里详细讲解了各个参数的功能、默认值以及基于实践经验给出的调优建议。默认值: 32k
参数说明:该参数用于设置 shufflewrite task 的 BufferedOutputStream 的 buffer 缓冲大小。将数据写到磁盘文件之前,会先写入 buffer 缓冲中,待缓冲写满之后,才会溢写到磁盘。
调优建议:
如果作业可用的内存资源较为充足的话,可以适当增加这个参数的大小(比如 64k ),从而减少 shuffle write 过程中溢写磁盘文件的次数,也就可以减少磁盘 IO 次数,进而提升性能。在实践中发现,合理调节该参数,性能会有 1%~5% 的提升。
spark.reducer.maxSizeInFlight
默认值: 48m参数说明:
该参数用于设置 shuffle read task 的 buffer 缓冲大小,而这个 buffer 缓冲决定了每次能够拉取多少数据。
调优建议:
如果作业可用的内存资源较为充足的话,可以适当增加这个参数的大小(比如 96m ),从而减少拉取数据的次数,也就可以减少网络传输的次数,进而提升性能。在实践中发现,合理调节该参数,性能会有 1%~5% 的提升。
spark.shuffle.io.maxRetries
默认值: 3参数说明:
shuffle read task 从 shufflewrite task 所在节点拉取属于自己的数据时,如果因为网络异常导致拉取失败,是会自动进行重试的。该参数就代表了可以重试的最大次数。如果在指定次数之内拉取还是没有成功,就可能会导致作业执行失败 。
调优建议:
对于那些包含了特别耗时的 shuffle 操作的作业,建议增加重试最大次数(比如 60 次),以避免由于 JVM 的 full gc 或者网络不稳定等因素导致
spark.shuffle.io.retryWait
默认值:5s
参数说明:
具体解释同上,该参数代表了每次重试拉取数据的等待间隔,默认是5s。
调优建议:
建议加大间隔时长(比如60s),以增加shuffle操作的稳定性。
spark.shuffle.memoryFraction
默认值: 0.2参数说明:该参数代表了 Executor 内存中,分配给 shuffle read task 进行聚合操作的内存比例,默认是 20% 。
调优建议:在资源参数调优中讲解过这个参数。如果内存充足,而且很少使用持久化操作,建议调高这个比例,给 shuffle read 的聚合操作更多内存,以避免由于内存不足导致聚合过程中频繁读写磁盘。在实践中发现,合理调节该参数可以将性能提升 10% 左右。
spark.shuffle.manager
默认值: sort参数说明:
该参数用于设置 ShuffleManager 的类型。 Spark 1.5 以后,有三个可选项: hash 、 sort 和 tungsten-sort 。 HashShuffleManager 是 Spark 1.2 以前的默认选项,但是 Spark 1.2 以及之后的版本默认都是 SortShuffleManager 了。 tungsten-sort 与 sort 类似,但是使用了 tungsten 计划中的堆外内存管理机制,内存使用效率更高。
调优建议:
由于 SortShuffleManager 默认会对数据进行排序,因此如果你的业务逻辑中需要该排序机制的话,则使用默认的 SortShuffleManager 就可以;而如果你的业务逻辑不需要对数据进行排序,那么建议参考后面的几个参数调优,通过 bypass 机制或优化的 HashShuffleManager 来避免排序操作,同时提供较好的磁盘读写性能。这里要注意的是, tungsten-sort 要慎用,因为之前发现了一些相应的 bug 。
spark.shuffle.sort.bypassMergeThreshold
默认值: 200参数说明:
当 ShuffleManager 为 SortShuffleManager 时,如果 shuffle read task 的数量小于这个阈值(默认是 200 ),则 shuffle write 过程中不会进行排序操作,而是直接按照未经优化的 HashShuffleManager 的方式去写数据,但是最后会将每个 task 产生的所有临时磁盘文件都合并成一个文件,并会创建单独的索引文件。
调优建议:
当你使用 SortShuffleManager 时,如果的确不需要排序操作,那么建议将这个参数调大一些,大于 shuffle read task 的数量。那么此时就会自动启用 bypass 机制, map-side 就不会进行排序了,减少了排序的性能开销。但是这种方式下,依然会产生大量的磁盘文件,因此 shuffle write 性能有待提高。
spark.shuffle.consolidateFiles
默认值: false参数说明:
如果使用 HashShuffleManager ,该参数有效。如果设置为 true ,那么就会开启 consolidate 机制,会大幅度合并 shuffle write 的输出文件,对于 shuffle read task 数量特别多的情况下,这种方法可以极大地减少磁盘 IO 开销,提升性能。
调优建议:
如果的确不需要 SortShuffleManager 的排序机制,那么除了使用 bypass 机制,还可以尝试将 spark.shuffle.manager 参数手动指定为 hash ,使用 HashShuffleManager ,同时开启 consolidate 机制。在实践中尝试过,发现其性能比开启了 bypass 机制的 SortShuffleManager 要高出 10%~30% 。
shuffle总结:
spark.shuffle.file.buffer
---->shuffle wirte的时候的buffer的大小,也就是bucket的默认大小:32k
在持久化不多的情况下,可以调大
spark.reducer.maxSizeInFlight
---->shuffle read的每次拉取shuffle write文件中的最大的数据体积:48M
----做相应修改
spark.shuffle.io.maxRetries
---->shuffle read拉取shufflewrite结果的最大的次数:3次
spark.shuffle.io.retryWait
---->重新拉取数据的间隔等待时间
spark.shuffle.memoryFraction
---->executor分配给shuffle read聚合的内存区域比例:0.2
在持久化不多的情况下,可以调大,也就意味着要将spark.storage.memoryFraction调低(0.5)
spark.shuffle.manager
指定我们进行shuffle操作的管理类:在1.5之后默认为sort|hash
如果在shuffle过程中,不需要进行排序的话,可以将其指定为hash,反之使用默认sort即可
spark.shuffle.sort.bypassMergeThreshold:200
当在执行shuffle操作的时候,如果task的个数不足该参数(和spark.default.parallelism 200一样)的时候,使用的
shuffleManager为hash而不是sort,
所以如果在shuffle过程中如果不需要排序的话,另外一种方式就是调大改参数的值,就可以不用走sort了。
spark.shuffle.consolidateFiles
如果在走的是hashshuffleWriter,那么这是时候建议开启consolidate机制,可以大大的降低shuffleblockFile的个数,
降低磁盘IO,提高程序的性能。