Spark 是基于内存的大数据计算引擎,因此,在编写 Spark 程序或者提交 Spark 任务的时候,要特别注意内存方面的优化和调优。Spark 官方也提供了很多配置参数用来进行内存或 CPU 的资源使用,但是为什么我们要进行这些参数的配置,这些参数是怎么影响到任务执行的,本篇文章将从 Spark 内存管理的原理方面进行分析。
一、JVM 内存
1.JVM 内存区域划分
因为 Spark 任务最终是运行在 java 虚拟机里面的,所以这里先分析一下 JVM 的内存区域划分。JVM 的运行时内存划分主要包括以下几类:
程序计数器:程序计数器是一块很小的内存空间,它是线程私有的,可以认作为当前线程的行号指示器。
Java 栈:同计数器也为线程私有,生命周期与相同,就是我们平时说的栈,栈描述的是 Java 方法执行的内存模型。
本地方法栈:本地方法栈是与虚拟机栈发挥的作用十分相似,区别是虚拟机栈执行的是 Java 方法(也就是字节码)服务,而本地方法栈则为虚拟机使用到的 native 方法服务,可能底层调用的 c 或者 c++,我们打开 jdk 安装目录可以看到也有很多用 c 编写的文件,可能就是 native 方法所调用的 c 代码。
方法区:方法区同堆一样,是所有线程共享的内存区域,用于存储已被虚拟机加载的类信息、常量、静态变量,如 static 修饰的变量加载类的时候就被加载到方法区中。
堆:对于大多数应用来说,堆是 java 虚拟机管理内存最大的一块内存区域,因为堆存放的对象是线程共享的,所以多线程的时候也需要同步机制。
JAVA 堆内存管理是影响性能主要因素之一。堆内存溢出是 JAVA 项目非常常见的故障,因此,必须先了解下 JAVA 堆内存是怎么工作的。
2.JVM 内存模型
从 JVM 内存模型的角度来看堆内内存: