Spark常规性能调优（一）

蓦然1607 2023-03-28 原文

1、常规性能调优一：最优资源配置

Spark性能调优的第一步，就是为任务分配更多的资源，在一定范围内，增加资源的分配与性能的提升是成正比的，实现了最优的资源配置后，在此基础上再考虑进行后面论述的性能调优策略。

资源的分配在使用脚本提交Spark任务时进行指定，标准的Spark任务提交脚本如代码清单所示

/usr/opt/modules/spark/bin/spark-submit \ --class com.atguigu.spark.Analysis \ --num-executors 80 \ --driver-memory 6g \ --executor-memory 6g \ --executor-cores 3 \ /usr/opt/modules/spark/jar/spark.jar \

可以进行分配的资源如下表所示

名称	说明
--num-executors	配置Executor的数量
--driver-memory	配置Driver内存（影响不大）
--executor-memory	配置每个Executor的内存大小
--executor-cores	配置每个Executor的CPU core数量

调节原则：尽量将任务分配的资源调节到可以使用的资源的最大限度

对于具体资源的分配，分别讨论Spark的两种Cluster运行模式：

第一种是Spark Standalone模式，你在提交任务前，一定知道或者可以从运维部门获取到你可以使用的资源情况，在编写submit脚本的时候，就根据可用的资源情况进行资源的分配，比如说集群有15台机器，每台机器为8G内存，2个CPU core，那么就指定15个Executor，每个Executor分配8G内存，2个CPU core。

第二种是Spark Yarn模式，由于Yarn使用资源队列进行资源的分配和调度，在表写submit脚本的时候，就根据Spark作业要提交到的资源队列，进行资源的分配，比如资源队列有400G内存，100个CPU core，那么指定50个Executor，每个Executor分配8G内存，2个CPU core。

对上表中的各项资源进行了调节后，得到的性能提升如下表所示

名称	解析
增加Executor个数	在资源允许的情况下，增加Executor的个数可以提高执行task的并行度。比如有4个Executor，每个Executor有2个CPU core，那么可以并行执行8个task，如果将Executor的个数增加到8个（资源允许的情况下），那么可以并行执行16个task，此时的并行能力提升了一倍。
增加每个Executor的CPU core个数	在资源允许的情况下，增加每个Executor的Cpu core个数，可以提高执行task的并行度。比如有4个Executor，每个Executor有2个CPU core，那么可以并行执行8个task，如果将每个Executor的CPU core个数增加到4个（资源允许的情况下），那么可以并行执行16个task，此时的并行能力提升了一倍
增加每个Executor的内存量	在资源允许的情况下，增加每个Executor的内存量以后，对性能的提升有三点：1. 可以缓存更多的数据（即对RDD进行cache），写入磁盘的数据相应减少，甚至可以不写入磁盘，减少了可能的磁盘IO；2. 可以为shuffle操作提供更多内存，即有更多空间来存放reduce端拉取的数据，写入磁盘的数据相应减少，甚至可以不写入磁盘，减少了可能的磁盘IO；3. 可以为task的执行提供更多内存，在task的执行过程中可能创建很多对象，内存较小时会引发频繁的GC，增加内存后，可以避免频繁的GC，提升整体性能。

生产环境Spark submit脚本配置

/usr/local/spark/bin/spark-submit \ --class com.atguigu.spark.WordCount \ --num-executors 80 \ --driver-memory 6g \ --executor-memory 6g \ --executor-cores 3 \ --master yarn-cluster \ --queue root.default \ --conf spark.yarn.executor.memoryOverhead=2048 \ --conf spark.core.connection.ack.wait.timeout=300 \ /usr/local/spark/spark.jar

参数配置参考值：

--num-executors：50~100 --driver-memory：1G~5G --executor-memory：6G~10G --executor-cores：3 --master：实际生产环境一定使用yarn-cluster

旧版本Spark资源调优情况

1）资源运行情况

2）资源运行中的集中情况

（1）实践中跑的Spark job，有的特别慢，查看CPU利用率很低，可以尝试减少每个executor占用CPU core的数量，增加并行的executor数量，同时配合增加分片，整体上增加了CPU的利用率，加快数据处理速度

（2）发现某job很容易发生内存溢出，我们就增大分片数量，从而减少了每片数据的规模，同时还减少并行的executor数量，这样相同的内存资源分配给数量更少的executor，相当于增加了每个task的内存分配，这样运行速度可能慢了些，但是总比OOM强

（3）数据量特别少，有大量的小文件生成，就减少文件分片，没必要创建那么多task，这种情况，如果只是最原始的input比较小，一般都能被注意到；但是，如果是在运算过程中，比如应用某个reduceBy或者某个filter以后，数据大量减少，这种低效情况就很少被留意到

3）运行资源优化配置

一个CPU core同一时间只能执行一个线程。而每个Executor进程上分配到的多个task，都是以每个task一条线程的方式，多线程并发运行的

一个应用提交的时候设置多大的内存？设置多少Core？设置几个Executor？

./bin/spark-submit \   --master yarn-cluster \   --num-executors 100 \   --executor-memory 6G \   --executor-cores 4 \   --driver-memory 1G \   --conf spark.default.parallelism=1000 \   --conf spark.storage.memoryFraction=0.5 \   --conf spark.shuffle.memoryFraction=0.3 \

1、运行资源优化配置 - 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

2、运行资源优化配置 - 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

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 * executor-memory，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，导致别的同事的作业无法运行。

3、运行资源优化配置 - executor-cores

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事的作业运行

4、运行资源优化配置 - 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（或者是用map side join操作），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

5、运行资源优化配置 - spark.default.parallelism

参数说明：该参数用于设置每个stage的默认task数量，也可以认为是分区数。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。很多人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

6、运行资源优化配置 - 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

7、运行资源优化配置 - 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

总结：

1）num-executors：应用运行时executor的数量，推荐50-100左右比较合适

2）executor-memory：应用运行时executor的内存，推荐4-8G比较合适

3）executor-cores：应用运行时executor的CPU核数，推荐2-4个比较合适

4）driver-memory：应用运行时driver的内存量，主要考虑如果使用map side join或者一些类似于collect的操作，那么要相应调大内存量

5）spark.default.parallelism：每个stage默认的task数量，推荐参数为num-executors * executor-cores的2~3倍较为合适

6）spark.storage.memoryFraction：每一个executor中用于RDD缓存的内存比例，如果程序中有大量的数据缓存，可以考虑调大整个的比例，默认为60%

7）spark.shuffle.memoryFraction：每一个executor中用于Shuffle操作的内存比例，默认是20%，如果程序中有大量的Shuffle类算子，那么可以考虑其它的比例

有关Spark常规性能调优（一）的更多相关文章

Spark的常用SQL日期函数 - 2
一、获取当前时间1、current_date当前日期（年月日）Examples：SELECTcurrent_date;2、current_timestamp/now()当前日期（时间戳）Examples：SELECTcurrent_timestamp;二、从日期字段中提取时间1、year,month,day/dayofmonth,hour,minute,secondExamples：SELECTyear(now())；其他的日期函数以此类推month:1day:12（当月的第几天）dayofmonth：12hour,minute,second：分别对应时分秒2、dayofweek、dayofm
ruby-on-rails - 如何在 Rails 中编写和包含常规 ruby 类 - 2
我正在学习Rails。我有一个Controller负责呈现来自用户上传的解析文件的数据。我不希望将数据存储在模型中的任何位置。我可以包含一个可以在我的Controller方法中实例化的类吗？这是我的意思的基本代码示例:这个Controller只包含一个方法:classMyController这是在实例化调用其方法时处理逻辑的类:classFileProcessorServicedeftestreturn'Thisisatest'endend我的问题:存放这个类的最佳位置在哪里？我怎样才能在我的Controller中引用这个类？关于在Rails中使用类这个特定主题的任何建议？常规ruby
ruby - 在其父类中定义子类是否非常规？ - 2
像下面这样在其父类下定义子类是惯例吗？classElementclassDiv还是让模块包含子类更合适？classElementendmoduleElementsclassDiv或者在一个模块中创建一个“基”类并在同一个模块中定义子类？moduleElementclassBaseendclassDiv或者强制命名约定更好？classElementendclassDivElement似乎每个库都选择不同的命名空间/命名约定。哪个最好用？各自的优缺点是什么？最佳答案 TL;博士:最传统和最好的方法是使用包含基类及其子类的模块。但让我们
ruby-on-rails - 在 Rails 项目中保留自定义异常定义的常规位置是什么？ - 2
关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭9年前。Improvethisquestion当像这样创建自己的自定义异常时classThingExploded保存这些东西的好地方在哪里？我在考虑lib/exceptions.rb...并且还在考虑以某种方式将它们放在更靠近使用它们的代码处是否更合适。
ruby - OS X 10.5 下 Ruby 的常规 GEM PATHS 是什么？ - 2
我的ruby在我的机器上有一个性能问题，我认为我已经隔离到加载库(当调用#require时)，所以我试图弄清楚ruby是否正在为库搜索太多文件夹。当我运行时$gemenvironmentRubyGemsEnvironment:-RUBYGEMSVERSION:1.3.0-RUBYVERSION:1.8.6(2008-03-03patchlevel114)[universal-darwin9.0]-INSTALLATIONDIRECTORY:/Library/Ruby/Gems/1.8-RUBYEXECUTABLE:/System/Library/Frameworks/Ruby.
Spark RDD转换成DataFrame的两种方式 - 2
spark官方提供了两种方法实现从RDD转换到DataFrame。第一种方法是利用反射机制来推断包含特定类型对象的Schema，这种方式适用于对已知的数据结构的RDD转换；第二种方法通过编程接口构造一个Schema，并将其应用在已知的RDD数据中。一、反射机制推断Schema实现反射机制Schema需要定义一个caseclass样例类，定义字段和属性，样例类的参数名称会被反射机制利用作为列名objectRddToDataFrameByReflect{//定义一个student样例类caseclassStudent(name:String,age:Int)defmain(args:Array[
Spark Kafka流媒体 - 如何确定批次的末端 - 2
我使用Kafka流媒体从KAFKA主题中消费。（KafkaDirect流）此主题中的数据每5分钟从另一个来源到达。现在，我需要处理每5分钟后到达的数据，并将其转换为SparkDataFrame。现在，流是数据的连续流。我的问题是，如何确定我已经完成了在Kafka主题中加载的第一组数据的阅读？（以便我可以将其转换为数据框架并开始我的工作）我知道我可以提及某个数字的批处理间隔（在JavastreamingContext中），但是即使那样，我也永远无法确定源将数据将数据推到主题的时间。欢迎任何建议。看答案如果我正确理解您的问题，您希望不创建批处理，直到阅读5分钟的所有数据。开箱即用的Spark不会提
Spark Java：发布通话无法正常工作 - 2
问题：帖子的请求参数作为请求主体，而不是请求参数。我正在使用下面的此语法来调用SparkJavaWeb服务。http：//localhost：8080/cumbcustomer？custId＃4＆amp;name=fredj"SparkJava告诉我：请求IP0：0：0：0：0：0：0：0：1请求动词post请求接收到：CUSTID＃4＆amp;name=fredj（-＆gt;request.body.body（））url接收：http：//localhost：8080/cumbscustomer有什么想法为什么这些变量作为请求主体而不是请求参数的一部分出现？提前致谢，看答案利用request
ruby - 在 Ruby 中混合关键字和常规参数？ - 2
Ruby2.0支持关键字参数。我想知道，将正则与关键字参数混合的“规则”是什么？这样的事情是行不通的:defsome_method(a:'first',b:'second',c)[a,b,c]end但这将:defsome_method(c,a:'first',b:'second')[a,b,c]end那么为什么在关键字参数之前(而不是之后)放置一个常规参数有效呢？网络上是否有关于此的一些引用(混合关键字和常规参数)？我好像找不到。最佳答案顺序如下:必需的参数具有默认值的参数(arg=default_value表示法)可选参数(*
javascript - 如何在 Jhipster 4 中使用常规的第 3 方 js 库？ - 2
我将Jhipster4与Angular2一起使用，并且需要在我的项目中使用第3方库，但是该库不在npm上并且没有.d.ts文件。我需要直接包含js。在vendor.ts中导入适用于通过npm安装的库，但不适用于我的js，如何在我的项目中使用此文件？最佳答案我现在也在尝试解决这个问题..实际上我无法通过将库导入vendor.ts文件来通过yarn安装库来工作..我当前的解决方法(...直到我找到正确的方法)是将我需要的.js文件复制到src/main/webapp/content/js/并从webpack.common引用它。Co

Spark常规性能调优（一）

1、常规性能调优一：最优资源配置

有关Spark常规性能调优（一）的更多相关文章

随机推荐