开启日志调试
在让G1 GC跑起来之后,我们下一步就是需要根据GC log,来进一步进行性能调优。首先,我们要让JVM记录比较详细的GC日志. 对于Spark而言,我们需要在SPARK_JAVA_OPTS中设置参数使得Spark保留下我们需要用到的日志.
一般而言,我们需要设置这样一串参数:
-XX:+PrintFlagsFinal -XX:+PrintReferenceGC -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintAdaptiveSizePolicy -XX:+UnlockDiagnosticVMOptions -XX:+G1SummarizeConcMark
降低cache操作的内存占比
spark.storage.memoryFraction 0.6
可以按这个调试看效果 0.6 -> 0.5 -> 0.4 -> 0.2
Spark Executor会将JVM的heap空间大致分为两个部分,
一部分用来存放Spark应用中持久化到内存中的RDD数据,
剩下的部分则用来作为JVM运行时的堆空间,负责RDD转化等过程中的内存消耗。
我们可以通过spark.storage.memoryFraction参数调节这两块内存的比例,
Spark会控制缓存RDD总大小不超过heap空间体积乘以这个参数所设置的值,而这块缓存RDD的空间中没有使用的部分也可以为JVM运行时所用。
降低cache操作的内存占比,大不了用persist操作,选择将一部分缓存的RDD数据写入磁盘,
或者序列化方式,配合Kryo序列化类,减少RDD缓存的内存占用,
让task执行算子函数时,有更多的内存可以使用
使用高效的垃圾回收器
-XX:+UseG1GC -XX:+PrintFlagsFinal -XX:+PrintReferenceGC -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintAdaptiveSizePolicy -XX:+UnlockDiagnosticVMOptions -XX:+G1SummarizeConcMark -Xms88g -Xmx88g -XX:InitiatingHeapOccupancyPercent=35 -XX:ConcGCThread=20
调节executor堆外内存与连接等待时长
–conf spark.yarn.executor.memoryOverhead=2048
spark-submit脚本里面,去用–conf的方式,去添加配置;
spark.yarn.executor.memoryOverhead
默认情况下,这个堆外内存上限大概是300多M;后来我们通常项目中,真正处理大数据的时候,这里都会出现问题,导致spark作业反复崩溃,无法运行;此时就会去调节这个参数,到至少1G(1024M),
甚至说2G、4G,通常这个参数调节上去以后,就会避免掉某些JVM OOM的异常问题,同时呢,会让整体spark作业的性能,得到较大的提升。
–conf spark.core.connection.ack.wait.time.out=300
调节这个值比较大 可以避免部分的偶尔出现的某某文件拉取失败