Spark性能優化指南——初級篇

来源:https://www.cnblogs.com/qizhelongdeyang/archive/2019/12/26/12104285.html
-Advertisement-
Play Games

原文來我的公眾號:Spark性能優化指南——初級篇 一. Spark作業原理 我們使用spark-submit提交一個Spark作業之後,這個作業就會啟動一個對應的Driver進程。該進程是向集群管理器(Yarn,K8s)申請運行Spark作業需要使用的資源,這裡的資源指的就是Executor進程。 ...


原文來我的公眾號:Spark性能優化指南——初級篇

一. Spark作業原理

我們使用spark-submit提交一個Spark作業之後,這個作業就會啟動一個對應的Driver進程。該進程是向集群管理器(Yarn,K8s)申請運行Spark作業需要使用的資源,這裡的資源指的就是Executor進程。 YARN集群管理器會根據我們為Spark作業設置的資源參數,在各個工作節點上,啟動一定數量的Executor進程,每個Executor進程都占有一定數量的記憶體和CPU core。 在申請到了作業執行所需的資源之後,Driver進程就會開始調度和執行我們編寫的作業代碼了。 Driver進程會將我們編寫的Spark作業代碼分拆為多個stage,每個stage執行一部分代碼片段,併為每個stage創建一批task,然後將這些task分配到各個Executor進程中執行。 task是最小的計算單元,負責執行一模一樣的計算邏輯(也就是我們自己編寫的某個代碼片段),只是每個task處理的數據不同而已。 一個stage的所有task都執行完畢之後,會在各個節點本地的磁碟文件中寫入計算中間結果,然後Driver就會調度運行下一個stage。 下一個stage的task的輸入數據就是上一個stage輸出的中間結果。如此迴圈往複,直到將我們自己編寫的代碼邏輯全部執行完,並且計算完所有的數據,得到我們想要的結果為止。 Spark是根據shuffle類運算元來進行stage的劃分。如果我們的代碼中執行了某個shuffle類運算元(比如reduceByKey、join等),那麼就會在該運算元處,劃分出一個stage界限來。 可以大致理解為,shuffle運算元執行之前的代碼會被劃分為一個stage,shuffle運算元執行以及之後的代碼會被劃分為下一個stage。   因此一個stage剛開始執行的時候,它的每個task可能都會從上一個stage的task所在的節點,去通過網路傳輸拉取需要自己處理的所有key,然後對拉取到的所有相同的key使用我們自己編寫的運算元函數執行聚合操作(比如reduceByKey()運算元接收的函數)。這個過程就是shuffle。 當我們在代碼中執行了cache/persist等持久化操作時,根據我們選擇的持久化級別的不同,每個task計算出來的數據也會保存到Executor進程的記憶體或者所在節點的磁碟文件中。   因此Executor的記憶體主要分為三塊: 第一塊是讓task執行我們自己編寫的代碼時使用,預設是占Executor總記憶體的20%; 第二塊是讓task通過shuffle過程拉取了上一個stage的task的輸出後,進行聚合等操作時使用,預設也是占Executor總記憶體的20%; 第三塊是讓RDD持久化時使用,預設占Executor總記憶體的60%。   task的執行速度是跟每個Executor進程的CPU core數量有直接關係的。一個CPU core同一時間只能執行一個線程。而每個Executor進程上分配到的多個task,都是以每個task一條線程的方式,多線程併發運行的。 如果CPU core數量比較充足,而且分配到的task數量比較合理,那麼通常來說,可以比較快速和高效地執行完這些task線程。  

二.核心調優參數

num-executors:

該參數用於設置Spark作業總共要用多少個Executor進程來執行。Driver在向YARN集群管理器申請資源時,YARN集群管理器會儘可能按照你的設置來在集群的各個工作節點上,啟動相應數量的Executor進程。這個參數非常之重要,如果不設置的話,預設只會給你啟動少量的Executor進程,此時你的Spark作業的運行速度是非常慢的。(建議50~100個左右的Executor進程)  

executor-memory:

該參數用於設置每個Executor進程的記憶體。Executor記憶體的大小,很多時候直接決定了Spark作業的性能,而且跟常見的JVM OOM異常,也有直接的關聯。(根據作業大小不同,建議設置4G~8G,num-executors乘以executor-memory,是不能超過隊列的最大記憶體量的)  

executor-cores:

該參數用於設置每個Executor進程的CPU core數量。這個參數決定了每個Executor進程並行執行task線程的能力。因為每個CPU core同一時間只能執行一個task線程,因此每個Executor進程的CPU core數量越多,越能夠快速地執行完分配給自己的所有task線程。(建議設置為2~4個,且num-executors * executor-cores不要超過隊列總CPU core的1/3~1/2)  

driver-memory:

該參數用於設置Driver進程的記憶體(建議設置512M到1G)。  

spark.default.parallelism:

該參數用於設置每個stage的預設task數量。這個參數極為重要,如果不設置可能會直接影響你的Spark作業性能。(建議為50~500左右,預設情況下Spark自己根據底層HDFS的block數量來設置task的數量,預設是一個HDFS block對應一個task。Spark官網建議設置該參數為num-executors * executor-cores的2~3倍較為合適)  

spark.storage.memoryFraction:

該參數用於設置RDD持久化數據在Executor記憶體中能占的比例,預設是0.6(原則上是儘可能保證數據能夠全部在記憶體中,但如果發現作業發生頻繁的GC,就該考慮是否調小)  

spark.shuffle.memoryFraction:

該參數用於設置shuffle過程中一個task拉取到上個stage的task的輸出後,進行聚合操作時能夠使用的Executor記憶體的比例,預設是0.2。也就是說,Executor預設只有20%的記憶體用來進行該操作。shuffle操作在進行聚合時,如果發現使用的記憶體超出了這個20%的限制,那麼多餘的數據就會溢寫到磁碟文件中去,此時就會極大地降低性能。(shuffle操作較多時,建議降低持久化操作的記憶體占比,提高shuffle操作的記憶體占比比例,避免shuffle過程中數據過多時記憶體不夠用,必須溢寫到磁碟上,降低了性能)

 

Randy 微信掃描二維碼,關註我的公眾號 我的個人網站:http://www.itrensheng.com/

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 1.查看防火牆狀態 查看防火牆狀態 systemctl status firewalld 開啟防火牆 systemctl start firewalld 關閉防火牆 systemctl stop firewalld 開啟防火牆 service firewalld start 若遇到無法開啟 先用:s ...
  • 本文轉載自:小豆芽博客 一、對CPU進行簡單測試: 1、通過bc命令計算特別函數 例:計算圓周率 echo "scale=5000; 4*a(1)" | bc -l -q MATH LIBRARY If bc is invoked with the -l option, a math library ...
  • 眾所周知,i.MXRT系列內部沒有非易失性存儲器,但內部SRAM還是必備的,這個SRAM可用於存放data、Stack、Heap段或者Non-XIP代碼text段等。我們知道Cortex-M7架構引入了TCM屬性的靜態記憶體,以Cortex-M7為內核的i.MXRT當然要支持TCM,除了TCM之外,i... ...
  • 前言 一邊有一個經常引誘我讓我“娛樂至死”的視頻,還有一個不停“鞭策“我讓我快點學習的大BOSS。正是有這兩種 才讓我常常在自信中明白自己努力的方向。嗯,"人間不值得"! SCHEMA.XML介紹 上一篇寫了:資料庫中間件DBLE學習(一) 基本介紹和快速搭建,主要介紹快速安裝。在安裝的過程中,我們 ...
  • select count(1) from 表a //查詢時會對常數列進行統計行數select count(*) from 表a //查詢時會找表a中最短的列進行統計行數 因為使用count(*)查詢會有一個找尋最短列的過程,從效率上講會慢一些,雖然不明顯,但是一般我們使用count(1)查詢就可以了 ...
  • 先導知識:Memcache Memcache是一個高性能的分散式記憶體對象緩存系統,代碼類似於Hash。 已經有了Memcache,為什麼還要用Redis呢? 下麵Memcache的缺點: 不支持數據持久化存儲 不支持主從 不支持分片 而對比Redis資料庫,以上三點都支持,所以要使用redis。 問 ...
  • 本文主要針對中小型應用或網站,重點探討日常程式開發中SQL語句的優化問題,所謂“大數據”、“高併發”僅針對中小型應用而言,專業的資料庫運維大神請無視。以下實踐為個人在實際開發工作中,針對相對“大數據”和相對“高併發”場景的一些應對策略,部分措施並沒有經過嚴格的對比測試和原理分析,如有錯漏歡迎各種批評 ...
  • redis介紹 redis是什麼 redis是一種基於鍵值對的NOsql資料庫,與很多鍵值對資料庫不同,redis中的值 等多種數據機構和演算法組成,因為redis會將所有的數據都放在記憶體中,所以他的讀寫性能非常驚人,不僅如此,redis還可以將記憶體中的數據利用快照和日誌的形式保存在硬碟上,redis ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...