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作業之后，這個作業就會啟動一個對應的Driver行程，該行程是向集群管理器（Yarn,K8s）申請運行Spark作業需要使用的資源，這里的資源指的就是Executor行程，YARN集群管理器會根據我們為Spark作業設定的資源引數，在各個作業節點上，啟動一定數量的Executor行程，每個Executor行程都占有一定數量的記憶體和CPU core，二.核心調優引數
num-executors：
該引數用于設定Spark作業總共要用多少個Executor行程來執行，Driver在向YARN集群管理器申請資源時，YARN集群管理器會盡可能按照你的設定來在集群的各個作業節點上，啟動相應數量的Executor行程，這個引數非常之重要，如果不設定的話，默認只會給你啟動少量的Executor行程，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行程）executor-memory：
該引數用于設定每個Executor行程的記憶體，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例外，也有直接的關聯，（根據作業大小不同，建議設定4G~8G，num-executors乘以executor-memory，是不能超過佇列的最大記憶體量的）executor-cores：
該引數用于設定每個Executor行程的CPU core數量，這個引數決定了每個Executor行程并行執行task執行緒的能力，因為每個CPU core同一時間只能執行一個task執行緒，因此每個Executor行程的CPU core數量越多，越能夠快速地執行完分配給自己的所有task執行緒，（建議設定為2~4個，且num-executors * executor-cores不要超過佇列總CPU core的1/3~1/2）driver-memory：
該引數用于設定Driver行程的記憶體（建議設定512M到1G），spark.default.parallelism：
該引數用于設定每個stage的默認task數量，這個引數極為重要，如果不設定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數量來設定task的數量，默認是一個HDFS block對應一個task，Spark官網建議設定該引數為num-executors * executor-cores的2~3倍較為合適）spark.storage.memoryFraction：
該引數用于設定RDD持久化資料在Executor記憶體中能占的比例，默認是0.6（原則上是盡可能保證資料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：
該引數用于設定shuffle程序中一個task拉取到上個stage的task的輸出后，進行聚合操作時能夠使用的Executor記憶體的比例，默認是0.2，也就是說，Executor默認只有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，那么多余的資料就會溢寫到磁盤檔案中去，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程序中資料過多時記憶體不夠用，必須溢寫到磁盤上，降低了性能）
微信掃描二維碼，關注我的公眾號我的個人網站：http://www.itrensheng.com/
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/37842.html
標籤：大數據
上一篇：大資料運維：大資料平臺+海量資料
下一篇：Vmvare擴展虛擬機磁盤大小