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