前言
之前在Hive on Spark跑测试时,100g的数据量要跑⼗⼏个⼩时,⼀看CPU和内存的监控,发现 POWER_TEST阶段(依次执⾏30个查询)CPU只⽤了百分之⼗⼏,也就是没有把整个集群的性能利⽤起来,导致跑得很慢。因此,如何调整参数,使整个集群发挥最⼤性能显得尤为重要。
Spark作业运⾏原理
详细原理见上图。我们使⽤spark-submit提交⼀个Spark作业之后,这个作业就会启动⼀个对应的Driver进程。根据你使⽤的部署模式(deploy-mode)不同,Driver进程可能在本地启动,也可能在集群中某个⼯作节点上启动。Driver进程本⾝会根据我们设置的参数,占有⼀定数量的内存和CPU core。⽽Driver进程要做的第⼀件事情,就是向集群管理器(可以是Spark Standalone集群,也可以是其他的资源管理集群,美团·⼤众点评使⽤的是YARN作为资源管理集群)申请运⾏Spark作业需要使⽤的资源,这⾥的资源指的就是Executor进程。YARN集群管理器会根据我们为Spark作业设置的资源参数,在各个⼯作