Spark入门教程（四）Spark架构原理和调优

2018-02-19 本文已影响0人胖滚猪学编程

本文全部手写原创，请勿复制粘贴、转载请注明出处，谢谢配合！

Spark术语

Application：用户编写的Spark应用程序，包含了一个Driver 功能的代码和分布在集群中多个节点上运行的Executor代码
Driver：运行Application的main()函数并且创建SparkContext（Spark应用程序的运行环境）。Driver负责和ClusterManager通信，进行资源的申请、任务的分配和监控等。
Cluster Manager：集群上获取资源的外部服务，比如Standalone（由Master负责资源的分配）和Yarn（由ResourceManager负责资源的分配）
Worker：从节点，负责控制计算节点，启动Executor或者Driver。在Standalone模式中指的就是通过Slave文件配置的Worker节点，在Spark on Yarn模式中指的就是NodeManager节点。
Executor：运行在Worker 节点上的进程，该进程负责运行Task，并且负责将数据存在内存或者磁盘上。
Job：包含多个Task组成的并行计算，往往由Spark Action催生，一个JOB包含多个RDD及作用于相应RDD上的各种Operation；
Stage：每个Job会被拆分很多Stage，而每个Stage又包含多个Task；Stage是根据宽依赖和窄依赖划分的，前面的博客有介绍过。
Task：被送到某个Executor上的工作任务

Spark运行架构

(1)Driver驱动器程序初始化Spark的运行环境（启动SparkContext）
【Driver进程本身会根据我们设置的参数，占有一定数量的内存（根据driver-memory）和CPU core（根据driver-cores）】
(2)Driver向资源管理器注册和申请运行Executor的资源
(3)资源管理器分配Executor ，分配Executor 的个数，内存，CPU核数等
【根据我们为Spark作业设置的资源参数，在各个工作节点上，启动一定数量（根据num-executors）的Executor进程，每个Executor进程都占有一定数量的内存（根据executor-memory）和CPU core（根据executor-cores）】
(4)Driver开始调度执行我们编写的作业代码，RDD的依赖关系会组成DAG图，而DAG Scheduler将DAG图分解成Stage（每个Stage执行一部分程序代码，而Stage又分为多个Task（根据spark.default.parallelism））
(5)DAG Scheduler把Stage以TaskSet的形式提交给TaskScheduler
(6)TaskScheduler分配相应的Task给Executor
(7)(8)Task在Executor上运行完毕后释放所有资源。

Yarn Client架构

原理与上面的相近，只不过ClusterManager为Yarn的ResourceManager WorkerNode为NodeManager，其实掌握了Yarn的架构原理就不难得出下面这张图。

无标题.png

Yarn Cluster架构

和Client的区别在于，Client模式下，SparkContext在本地，只是任务分给集群运行，而Cluster模式下，SparkContext也会分给某个NodeManager。
因此，Cluster模式下当用户提交了作业之后，就可以关掉Client，作业会继续在YARN上运行，因而YARN-Cluster模式不适合运行交互类型的作业。而YARN-Client模式下，Application Master仅仅向YARN请求Executor，Client会和请求的Container通信来调度他们工作，也就是说Client不能离开。因此在公司里，如果需要看到交互信息，用于交互调试，则选用Client模式，如果实际生产环境那么就用Cluster

无标题1.png

Spark调优

上面我加粗标注的driver-memory、 driver-cores 、num-executors 、executor-memory 、executor-cores，不仅是架构原理，其实也是我们调优的参数。

Driver-memory：该参数设置Driver进程的内存。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，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。
num-executors：该参数用于设置Spark作业总共要多少个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。
executor-memory：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乘以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1/2，避免你自己的Spark作业占用了队列所有的资源，导致别的同学的作业无法运行。
executor-cores：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学的作业运行。
spark.default.parallelism：该参数用于设置每个stage的默认task数量。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。如果不设置这个参数Spark是根据底层HDFS的block数量来设置task的数量，即一个HDFS block对应一个task。这样task数量是偏少的，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。
除此之外还有关于持久化和shuffle的参数调优：
spark.storage.memoryFraction：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。如果内存不够时数据就不会持久化，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，。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。
spark.shuffle.memoryFraction：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：资源参数的调优，没有一个固定的值，需要根据自己的机器和作业的实际情况（包括机器的配置，任务的大小，Spark作业中的shuffle操作数量、RDD持久化操作数量以及spark web ui中显示的作业gc情况），合理地设置上述参数。