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 \