讯享网

 <h4 style="color: rgb(52,73,94);"> <span>1、常规性能调优一：最优资源配置</span> </h4> <p style="color: rgb(52,73,94);"> <span>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</span><span> ，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。</span> </p> <p style="color: rgb(52,73,94);"> <span>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</span> </p> <p style="color: rgb(52,73,94);"> <span>可以进行分配的资源如下表所示</span> </p> <div style="padding: 0.0px;"> <tbody> <tr> <th style="text-align: left;background-color: rgb(242,242,242);"> <span><span>名称</span></span> </th> <th style="text-align: left;background-color: rgb(242,242,242);"> <span><span>说明</span></span> </th> </tr> </tbody> <tbody> <tr> <td> <span><span><strong><span>--num-executors</span></strong></span></span> </td> <td> <span><span>配置Executor的数量</span></span> </td> </tr> <tr> <td> <span><span><strong><span>--driver-memory</span></strong></span></span> </td> <td> <span><span>配置Driver内存（影响不大）</span></span> </td> </tr> <tr> <td> <span><span><strong><span>--executor-memory</span></strong></span></span> </td> <td> <span><span>配置每个Executor的内存大小</span></span> </td> </tr> <tr> <td> <span><span><strong><span>--executor-cores</span></strong></span></span> </td> <td> <span><span>配置每个Executor的CPU core数量</span></span> </td> </tr> </tbody> </div> <p style="color: rgb(52,73,94);"> <span>调节原则：</span><span>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</span><span> </span> </p> <p style="color: rgb(52,73,94);"> <span>对于具体资源的分配，分别讨论Spark的两种Cluster运行模式：</span> </p> <p style="color: rgb(52,73,94);"> <span>第一种是</span><span>Spark Standalone模式</span><span>，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。</span> </p> <p style="color: rgb(52,73,94);"> <span>第二种是</span><span>Spark Yarn模式</span><span>，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。</span> </p> <p style="color: rgb(52,73,94);"> <span>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</span> </p> <div style="padding: 0.0px;"> <tbody> <tr> <th style="text-align: left;background-color: rgb(242,242,242);"> <span><span>名称</span></span> </th> <th style="text-align: left;background-color: rgb(242,242,242);"> <span><span>解析</span></span> </th> </tr> </tbody> <tbody> <tr> <td> <span><span><strong><span>增加Executor个数</span></strong></span></span> </td> <td> <span><span>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</span><span>。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。</span></span> </td> </tr> <tr> <td> <span><span><strong><span>增加每个Executor的CPU core个数</span></strong></span></span> </td> <td> <span><span>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</span><span>。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</span></span> </td> </tr> <tr> <td> <span><span><strong><span>增加每个Executor的内存量</span></strong></span></span> </td> <td> <span><span>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. </span><span>可以缓存更多的数据（即对RDD进行cache）</span><span>，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. </span><span>可以为shuffle操作提供更多内存</span><span>，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. </span><span>可以为task的执行提供更多内存</span><span>，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。</span></span> </td> </tr> </tbody> </div> <p style="color: rgb(52,73,94);"> <span><strong><span>生产环境Spark submit脚本配置</span></strong></span> </p> <p style="color: rgb(52,73,94);"> <span>参数配置参考值：</span> </p> <p style="color: rgb(52,73,94);"> <span><span><strong><span style="color: inherit;">旧版本Spark资源调优情况</span></strong></span></span><span> </span> </p> <p style="color: rgb(52,73,94);"> <span>1）</span><span><strong><span>资源运行情况</span></strong></span> </p> <p style="color: rgb(52,73,94);"> <img alt="" src="https://uploadfiles.nowcoder.com/images//_88/6DCDC267EEC4727E721E955DC"> </p> <p style="color: rgb(52,73,94);"> <span>2）</span><span><strong><span>资源运行中的集中情况</span></strong></span> </p> <p style="color: rgb(52,73,94);"> <span>（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</span> </p> <p style="color: rgb(52,73,94);"> <span>（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</span> </p> <p style="color: rgb(52,73,94);"> <span>（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</span> </p> <p style="color: rgb(52,73,94);"> <span>3）</span><span><strong><span>运行资源优化配置</span></strong></span> </p> <p style="color: rgb(52,73,94);"> <span> 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 </span> </p> <p style="color: rgb(52,73,94);"> <span>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？</span> </p> <p style="color: rgb(52,73,94);"> <span>1、运行资源优化配置 - </span><span><strong><span>num-executors</span></strong></span><span> </span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数说明</span></strong></span><span>：该参数用于</span><span><strong><span>设置Spark作业总共要用多少个Executor进程来执行</span></strong></span><span>。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</span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数调优建议</span></strong></span><span>：每个Spark作业的运行</span><span><strong><span>一般设置50~100个左右的Executor进程比较合适</span></strong></span><span>，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</span> </p> <p style="color: rgb(52,73,94);"> <span>2、运行资源优化配置 - </span><span><strong><span>executor-memory</span></strong></span><span> </span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数说明</span></strong></span><span>：该参数用于</span><span><strong><span>设置每个Executor进程的内存</span></strong></span><span>。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</span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数调优建议</span></strong></span><span>：</span><span><strong><span>每个Executor进程的内存设置4G~8G较为合适</span></strong></span><span>。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。</span> </p> <p style="color: rgb(52,73,94);"> <span>3、运行资源优化配置 - </span><span><strong><span>executor-cores</span></strong></span><span> </span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数说明</span></strong></span><span>：该参数用于</span><span><strong><span>设置每个Executor进程的CPU core数量</span></strong></span><span>。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</span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数调优建议</span></strong></span><span>：Executor的CPU core数量</span><span><strong><span>设置为2~4个较为合适</span></strong></span><span>。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</span><span><strong><span>不要超过队列总CPU core的1/3~1/2左右比较合适</span></strong></span><span>，也是避免影响其他同事的作业运行</span> </p> <p style="color: rgb(52,73,94);"> <span>4、运行资源优化配置 - </span><span><strong><span>driver-memory</span></strong></span><span> </span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数说明</span></strong></span><span>：该参数用于设置Driver进程的内存</span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数调优建议</span></strong></span><span>：Driver的内存</span><span><strong><span>通常来说不设置，或者设置1G左右应该就够了</span></strong></span><span>。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</span> </p> <p style="color: rgb(52,73,94);"> <span>5、运行资源优化配置 - </span><span><strong><span>spark.default.parallelism</span></strong></span><span> </span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数说明</span></strong></span><span>：该参数用于</span><span><strong><span>设置每个stage的默认task数量，也可以认为是分区数</span></strong></span><span>。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</span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数调优建议</span></strong></span><span>：Spark作业的</span><span><strong><span>默认task数量为500~1000个较为合适</span></strong></span><span>。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，</span><span><strong><span>设置该参数为num-executors * executor-cores的2~3倍较为合适</span></strong></span><span>，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</span> </p> <p style="color: rgb(52,73,94);"> <span>6、运行资源优化配置 - </span><span><strong><span>spark.storage.memoryFraction</span></strong></span><span> </span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数说明</span></strong></span><span>：该参数用于</span><span><strong><span>设置RDD持久化数据在Executor内存中能占的比例，默认是0.6</span></strong></span><span>。也就是说，默认Executor 60%的内存，可以</span><span><strong><span>用来保存持久化的RDD数据</span></strong></span><span>。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</span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数调优建议</span></strong></span><span>：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</span> </p> <p style="color: rgb(52,73,94);"> <span>7、运行资源优化配置 - </span><span><strong><span>spark.shuffle.memoryFraction</span></strong></span><span> </span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数说明</span></strong></span><span>：该参数用于</span><span><strong><span>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</span></strong></span><span>。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</span> </p> <p style="color: rgb(52,73,94);"> <span><strong><span>参数调优建议</span></strong></span><span>：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</span> </p> <p style="color: rgb(52,73,94);"> <span><span><strong><span style="color: inherit;">总结：</span></strong></span></span> </p> <p style="color: rgb(52,73,94);"> <span>1）num-executors：应用运行时executor的数量，推荐50-100左右比较合适</span> </p> <p style="color: rgb(52,73,94);"> <span>2）executor-memory：应用运行时executor的内存，推荐4-8G比较合适</span> </p> <p style="color: rgb(52,73,94);"> <span>3）executor-cores：应用运行时executor的CPU核数，推荐2-4个比较合适</span> </p> <p style="color: rgb(52,73,94);"> <span>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</span> </p> <p style="color: rgb(52,73,94);"> <span>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</span> </p> <p style="color: rgb(52,73,94);"> <span>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%</span> </p> <p style="color: rgb(52,73,94);"> <span>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</span> </p>