spark submit参数及调优

spark submit参数介绍

你能够经过spark-submit --help或者spark-shell --help来查看这些参数。

使用格式: 

./bin/spark-submit \

  --class <main-class> \

  --master <master-url> \

  --deploy-mode <deploy-mode> \

  --conf <key>=<value> \

  ... # other options

  <application-jar> \

  [application-arguments]

参数名 格式 参数说明

--master MASTER_URL 如spark://host:port, mesos://host:port, yarn,  yarn-cluster,yarn-client, local

--deploy-mode DEPLOY_MODE Client或者master，默认是client

--class CLASS_NAME 应用程序的主类

--name NAME 应用程序的名称

--jars JARS 逗号分隔的本地jar包，包含在driver和executor的classpath下

--packages 包含在driver和executor的classpath下的jar包逗号分隔的”groupId:artifactId：version”列表

--exclude-packages 用逗号分隔的”groupId:artifactId”列表

--repositories 逗号分隔的远程仓库

--py-files PY_FILES 逗号分隔的”.zip”,”.egg”或者“.py”文件，这些文件放在python app的PYTHONPATH下面

--files FILES 逗号分隔的文件，这些文件放在每一个executor的工做目录下面

--conf PROP=VALUE 固定的spark配置属性，默认是conf/spark-defaults.conf

--properties-file FILE 加载额外属性的文件

--driver-memory MEM Driver内存，默认1G

--driver-java-options 传给driver的额外的Java选项

--driver-library-path 传给driver的额外的库路径

--driver-class-path 传给driver的额外的类路径

--executor-memory MEM 每一个executor的内存，默认是1G

--proxy-user NAME 模拟提交应用程序的用户

--driver-cores NUM Driver的核数，默认是1。这个参数仅仅在standalone集群deploy模式下使用

--supervise Driver失败时，重启driver。在mesos或者standalone下使用

--verbose 打印debug信息

--total-executor-cores NUM 全部executor总共的核数。仅仅在mesos或者standalone下使用

--executor-core NUM 每一个executor的核数。在yarn或者standalone下使用

--driver-cores NUM Driver的核数，默认是1。在yarn集群模式下使用

--queue QUEUE_NAME 队列名称。在yarn下使用

--num-executors NUM 启动的executor数量。默认为2。在yarn下使用

试例：

# Run application locally on 8 cores(本地模式8核)

./bin/spark-submit \

  --class org.apache.spark.examples.SparkPi \

  --master local[8] \

  /path/to/examples.jar \

  100

# Run on a Spark standalone cluster in client deploy mode(standalone client模式)

./bin/spark-submit \

  --class org.apache.spark.examples.SparkPi \

  --master spark://207.184.161.138:7077 \

  --executor-memory 20G \

  --total-executor-cores 100 \

  /path/to/examples.jar \

  1000

# Run on a Spark standalone cluster in cluster deploy mode with supervise(standalone cluster模式使用supervise)

./bin/spark-submit \

  --class org.apache.spark.examples.SparkPi \

  --master spark://207.184.161.138:7077 \

  --deploy-mode cluster \

  --supervise \

  --executor-memory 20G \

  --total-executor-cores 100 \

  /path/to/examples.jar \

  1000

# Run on a YARN cluster(YARN cluster模式)

export HADOOP_CONF_DIR=XXX

./bin/spark-submit \

  --class org.apache.spark.examples.SparkPi \

  --master yarn \

  --deploy-mode cluster \  # can be client for client mode

  --executor-memory 20G \

  --num-executors 50 \

  /path/to/examples.jar \

  1000

# Run on a Mesos cluster in cluster deploy mode with supervise(Mesos cluster模式使用supervise)

./bin/spark-submit \

  --class org.apache.spark.examples.SparkPi \

  --master mesos://207.184.161.138:7077 \

  --deploy-mode cluster \

  --supervise \

  --executor-memory 20G \

  --total-executor-cores 100 \

  http://path/to/examples.jar \

  1000

在公司使用最多的是spark on yarn模式，下面主要讲spark on yarn

资源参数调优

所谓的Spark资源参数调优，其实主要就是对Spark运行过程当中各个使用资源的地方，经过调节各类参数，来优化资源使用的效率，从而提高Spark做业的执行性能。

如下参数就是Spark中主要的资源参数，每一个参数都对应着做业运行原理中的某个部分，咱们同时也给出了一个调优的参考值。

num-executors

参数说明：

该参数用于设置Spark做业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽量按照你的设置来在

集群的各个工做节点上，启动相应数量的Executor进程。这个参数很是之重要，若是不设置的话，默认只会给你启动少许的Executor进程，此时你的

Spark做业的运行速度是很是慢的。

参数调优建议：

每一个Spark做业的运行通常设置50~100个左右的Executor进程比较合适，设置太少或太多的Executor进程都很差。设置的太少，没法充分利用集群资源；

设置的太多的话，大部分队列可能没法给予充分的资源。

executor-memory

参数说明：

该参数用于设置每一个Executor进程的内存。Executor内存的大小，不少时候直接决定了Spark做业的性能，并且跟常见的JVM OOM异常，也有直接的关联。

参数调优建议：

每一个Executor进程的内存设置4G~8G较为合适。可是这只是一个参考值，具体的设置仍是得根据不一样部门的资源队列来定。能够看看本身团队的资源队列

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，若是你是跟团队里其余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，避免你本身的Spark做业占用了队列全部的资源，致使别的同窗的做业没法运行。

executor-cores

参数说明：

该参数用于设置每一个Executor进程的CPU core数量。这个参数决定了每一个Executor进程并行执行task线程的能力。由于每一个CPU core同一时间只能执行一个

task线程，所以每一个Executor进程的CPU core数量越多，越可以快速地执行完分配给本身的全部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。一样得根据不一样部门的资源队列来定，能够看看本身的资源队列的最大CPU core限制是多少，再依据设置的

Executor数量，来决定每一个Executor进程能够分配到几个CPU core。一样建议，若是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，也是避免影响其余同窗的做业运行。

driver-memory

参数说明：

该参数用于设置Driver进程的内存。

参数调优建议：

Driver的内存一般来讲不设置，或者设置1G左右应该就够了。惟一须要注意的一点是，若是须要使用collect算子将RDD的数据所有拉取到Driver上进行处理，

那么必须确保Driver的内存足够大，不然会出现OOM内存溢出的问题。

spark.default.parallelism

参数说明：

该参数用于设置每一个stage的默认task数量。这个参数极为重要，若是不设置可能会直接影响你的Spark做业性能。

参数调优建议：

Spark做业的默认task数量为500~1000个较为合适。不少同窗常犯的一个错误就是不去设置这个参数，那么此时就会致使Spark本身根据底层HDFS的block数量

来设置task的数量，默认是一个HDFS block对应一个task。一般来讲，Spark默认设置的数量是偏少的（好比就几十个task），若是task数量偏少的话，就会

致使你前面设置好的Executor的参数都前功尽弃。试想一下，不管你的Executor进程有多少个，内存和CPU有多大，可是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！所以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，好比Executor的总CPU core数量为300个，那么设置1000个task是能够的，此时能够充分地利用Spark集群的资源。

spark.storage.memoryFraction

参数说明：

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，能够用来保存持久化的RDD数据。根据你选择

的不一样的持久化策略，若是内存不够时，可能数据就不会持久化，或者数据会写入磁盘。

参数调优建议：

若是Spark做业中，有较多的RDD持久化操做，该参数的值能够适当提升一些，保证持久化的数据可以容纳在内存中。避免内存不够缓存全部的数据，致使数据只

能写入磁盘中，下降了性能。可是若是Spark做业中的shuffle类操做比较多，而持久化操做比较少，那么这个参数的值适当下降一些比较合适。此外，若是发现

做业因为频繁的gc致使运行缓慢（经过spark web ui能够观察到做业的gc耗时），意味着task执行用户代码的内存不够用，那么一样建议调低这个参数的值。

spark.shuffle.memoryFraction

参数说明：

该参数用于设置shuffle过程当中一个task拉取到上个stage的task的输出后，进行聚合操做时可以使用的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做。shuffle操做在进行聚合时，若是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

就会极大地下降性能。

参数调优建议：

若是Spark做业中的RDD持久化操做较少，shuffle操做较多时，建议下降持久化操做的内存占比，提升shuffle操做的内存占比比例，避免shuffle过程当中数据过多

时内存不够用，必须溢写到磁盘上，下降了性能。此外，若是发现做业因为频繁的gc致使运行缓慢，意味着task执行用户代码的内存不够用，那么一样建议调低

这个参数的值。

资源参数的调优，没有一个固定的值，须要根据本身的实际状况（包括Spark做业中的shuffle操做数量、RDD持久化操做数量以及spark web ui中显示的做业gc状况），

合理地设置上述参数。

资源参数参考示例

如下是一份spark-submit命令的示例，你们能够参考一下，并根据本身的实际状况进行调节：

./bin/spark-submit \

  --master yarn-cluster \

  --num-executors 100 \

  --executor-memory 6G \

  --executor-cores 4 \

  --driver-memory 1G \

  --conf spark.default.parallelism=1000 \

  --conf spark.storage.memoryFraction=0.5 \

  --conf spark.shuffle.memoryFraction=0.3 \