Spark调优—参数调优

参数调优

1.1 num-executors**

参数说明：该参数用于设置Spark作业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照你的设置来在集群的各个工作节点上，启动相应数量的Executor进程。这个参数非常之重要，如果不设置的话，默认只会给你启动少量的Executor进程，此时你的Spark作业的运行速度是非常慢的。
　　参数调优建议：每个Spark作业的运行一般设置50~100个左右的Executor进程比较合适，设置太少或太多的Executor进程都不好。设置的太少，无法充分利用集群资源；设置的太多的话，大部分队列可能无法给予充分的资源。

1.2 executor-memory**

参数说明：该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关联。内存是核数的两倍
　　参数调优建议：每个Executor进程的内存设置4G ~ 8G较为合适。但是这只是一个参考值，具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列的最大内存限制是多少，num-executors乘以executor-memory，就代表了你的Spark作业申请到的总内存量（也就是所有Executor进程的内存总和），这个量是不能超过队列的最大内存量的。此外，如果你是跟团队里其他人共享这个资源队列，那么申请的总内存量最好不要超过资源队列最大总内存的1/3~1/2，避免你自己的Spark作业占用了队列所有的资源，导致别的同学的作业无法运行。

1.3 executor-cores** 可以用total-executor-cores总的核数

executor-cores = total-executor-cores / num-executors

参数说明：该参数用于设置每个Executor进程的CPU core数量。这个参数决定了每个Executor进程并行执行task线程的能力。因为每个CPU core同一时间只能执行一个task线程，因此每个Executor进程的CPU core数量越多，越能够快速地执行完分配给自己的所有task线程。
　　参数调优建议：Executor的CPU core数量设置为2 ~ 4个较为合适。同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core限制是多少，再依据设置的Executor数量，来决定每个Executor进程可以分配到几个CPU core。同样建议，如果是跟他人共享这个队列，那么num-executors * executor-cores不要超过队列总CPU core的1/3~1/2左右比较合适，也是避免影响其他同学的作业运行。

1.4 driver-memory

参数说明：该参数用于设置Driver进程的内存。
　　参数调优建议：Driver的内存通常来说不设置，或者设置1G左右应该就够了。唯一需要注意的一点是，如果需要使用collect算子将RDD的数据全部拉取到Driver上进行处理，那么必须确保Driver的内存足够大，否则会出现OOM内存溢出的问题。

1.5 spark.default.parallelism

参数说明：该参数用于设置每个stage的默认task数量。这个参数极为重要，如果不设置可能会直接影响你的Spark作业性能。
　　参数调优建议：Spark作业的默认task数量为500 ~ 1000个较为合适。很多同学常犯的一个错误就是不去设置这个参数，那么此时就会导致Spark自己根据底层HDFS的block数量来设置task的数量，默认是一个HDFS block对应一个task。通常来说，Spark默认设置的数量是偏少的（比如就几十个task），如果task数量偏少的话，就会导致你前面设置好的Executor的参数都前功尽弃。试想一下，无论你的Executor进程有多少个，内存和CPU有多大，但是task只有1个或者10个，那么90%的Executor进程可能根本就没有task执行，也就是白白浪费了资源！因此Spark官网建议的设置原则是，设置该参数为num-executors * executor-cores的2~3倍较为合适，比如Executor的总CPU core数量为300个，那么设置1000个task是可以的，此时可以充分地利用Spark集群的资源。

package optimize

import org.apache.spark.rdd.RDD
import org.apache.spark.{Partitioner, SparkConf, SparkContext}

/**
  * @author 郭帅帅
  *         @2022-01-08-22:15
  *
  */
object Demo6Partition {
    def main(args: Array[String]): Unit = {
      val conf: SparkConf = new SparkConf()
        .setAppName("Demo6Partition")
        .setMaster("local")

      //默认并行度 当使用shuffle类算子的时候起作用
      conf.set("spark.default.parallelism", "2")

      val sc: SparkContext = new SparkContext(conf)
      /**
        * 默认读取hdfs文件  分区数由文件大小决定  切片规则和mr一致  默认一个block对应一个分区
        * 使用textFile  读取文件的时候可以指定参数提高并行度
        *
        *
        * 默认rdd分区数等于他所依赖的rdd分区数
        * 当使用shuffle类算子的时候可以手动指定分区数   如果不知道默认和父rdd相同
        *
        *
        * 并行度设置规则
        * 1、集群资源  数据量
        * 如果集群资源充足  保证每一个task处理的数据不要太少就行  50m-1G
        *
        * 2、保证task的数量是资源数量的三倍    可以充分利用资源
        *
        */

      val studentRDD: RDD[String] = sc.textFile("java/data/students.txt", 10)

      //获取rdd分区数
      val numPartition: Int = studentRDD.getNumPartitions

      println(s"studentRDD分区数；$numPartition")

      studentRDD.foreachPartition(iter => {
        println("-----------")
        println(iter.toList)
      })

      val kvRDD: RDD[(String, String)] = studentRDD.map(line => {
        val clazz: String = line.split(",")(4)
        (clazz, line)
      })

      println(s"kvRDD分区数；${kvRDD.getNumPartitions}")

      //分组   手动指定分区数
      val groupRDD: RDD[(String, Iterable[String])] = kvRDD.groupByKey(120)

      println(s"groupRDD分区数；${groupRDD.getNumPartitions}")

      val partitionRDD: RDD[(String, Iterable[String])] = kvRDD.groupByKey(new MyPartition)

      println(s"partitionRDD分区数；${partitionRDD.getNumPartitions}")

      /**
        * foreachPartition  将分区一个一个传递进去   action算子
        *
        */
      partitionRDD.foreachPartition(iter => {
        println("-----------")
        println(iter.toList)
      })
    }
  }

  /**
    * spark默认使用hashf分区
    *
    * 自定义分区
    */
  class MyPartition extends Partitioner {

    //分区数
    override def numPartitions: Int = 2

    /**
      *
      * 通过key获取key属于哪一个分区  （属于哪一个reduce）
      */
    override def getPartition(key: Any): Int = {

      //文科一个区 理科一个区

      key.toString.substring(0, 2) match {
        case "文科" => 0
        case "理科" => 1
        case _ => 0
      }
    }
}

1.6 spark.storage.memoryFraction

参数说明：该参数用于设置RDD持久化数据在Executor内存中能占的比例，默认是0.6 。也就是说，默认Executor 60%的内存，可以用来保存持久化的RDD数据。根据你选择的不同的持久化策略，如果内存不够时，可能数据就不会持久化，或者数据会写入磁盘。
　　参数调优建议：如果Spark作业中，有较多的RDD持久化操作，该参数的值可以适当提高一些，保证持久化的数据能够容纳在内存中。避免内存不够缓存所有的数据，导致数据只能写入磁盘中，降低了性能。但是如果Spark作业中的shuffle类操作比较多，而持久化操作比较少，那么这个参数的值适当降低一些比较合适。此外，如果发现作业由于频繁的gc导致运行缓慢（通过spark web ui可以观察到作业的gc耗时），意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。

1.7 spark.shuffle.memoryFraction

参数说明：该参数用于设置shuffle过程中一个task拉取到上个stage的task的输出后，进行聚合操作时能够使用的Executor内存的比例，默认是 0.2 。也就是说，Executor默认只有20%的内存用来进行该操作。shuffle操作在进行聚合时，如果发现使用的内存超出了这个20%的限制，那么多余的数据就会溢写到磁盘文件中去，此时就会极大地降低性能。
　　参数调优建议：如果Spark作业中的RDD持久化操作较少，shuffle操作较多时，建议降低持久化操作的内存占比，提高shuffle操作的内存占比比例，避免shuffle过程中数据过多时内存不够用，必须溢写到磁盘上，降低了性能。此外，如果发现作业由于频繁的gc导致运行缓慢，意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。
资源参数的调优，没有一个固定的值，需要同学们根据自己的实际情况（包括Spark作业中的shuffle操作数量、RDD持久化操作数量以及spark web ui中显示的作业gc情况），同时参考本篇文章中给出的原理以及调优建议，合理地设置上述参数。

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

/**
  * @author 郭帅帅
  *         @2022-01-08-22:20
  *
  */
object Demo7Paralle {

    def main(args: Array[String]): Unit = {

      /**
        * spark 参数设置优先级
        * 1、代码优先级最高
        * 2、spark-submit 后面指定参数
        * 3、spark 默认配置文件   spark-defaults.conf
        */

      /**
        * spark-submit --class org.apache.spark.examples.SparkPi \
        * --master yarn-client  \
        * --num-executors 8 \
        * --executor-memory 16G \
        * --conf spark.default.parallelism=100 \
        * --conf spark.storage.memoryFraction=0.4 \
        * --conf spark.shuffle.memoryFraction=0.4 \
        * ./lib/spark-examples-1.6.0-hadoop2.6.0.jar 100
        *
        */

      /**
        * coalesce   重分区
        *
        */

      val conf: SparkConf = new SparkConf()
        .setAppName("app")
        .setMaster("local[1]")
        .set("spark.default.parallelism", "10")
      // rdd默认reduce数量, 默认没有设置参数
      val sc: SparkContext = new SparkContext(conf)

      //产生小文件
      val rdd: RDD[(String, Int)] = sc.textFile("spark/data/students.txt").map((_, 1))
      println("rdd:" + rdd.getNumPartitions)
      /**
        * shuffle之后的rdd的分区数
        * 1、手动指定优先级最高
        * 2、设置参数 spark.default.parallelism
        * 3、如果前面两个都没设置默认使用前一个rdd的分区数
        */
      val grdd: RDD[(String, Iterable[Int])] = rdd.groupByKey(2)
      println("grdd:" + grdd.getNumPartitions)
      grdd.foreach(println)

    }
}

参数调优模板

spark-submit \
--class com.shujia.Test \
--master yarn-client \
--num-executors 50 \
--executor-memory 4G \
--executor-cores 2 \
--driver-memory 2G \
--conf spark.storage.memoryFraction=0.6 \
--conf spark.shuffle.memoryFraction=0.2 \
--conf spark.locality.wait=10s \
--conf spark.shuffle.file.buffer=64k \
--conf spark.yarn.executor.memoryOverhead=2048 \
--conf spark.core.connection.ack.wait.timeout=300 \
--conf spark.network.timeout=120s \