Spark配置参数详解

 

如下是整理的Spark中的一些配置参数，官方文档请参考Spark Configuration。

Spark提供三个位置用来配置系统：

• Spark属性：控制大部分的应用程序参数，能够用SparkConf对象或者Java系统属性设置

• 环境变量：能够经过每一个节点的conf/spark-env.sh脚本设置。例如IP地址、端口等信息

• 日志配置：能够经过log4j.properties配置

Spark属性

Spark属性控制大部分的应用程序设置，而且为每一个应用程序分别配置它。这些属性能够直接在SparkConf上配置，而后传递给SparkContext。SparkConf容许你配置一些通用的属性（如master URL、应用程序名称等等）以及经过set()方法设置的任意键值对。例如，咱们能够用以下方式建立一个拥有两个线程的应用程序。

 

val conf = new SparkConf()
             .setMaster("local[2]")
             .setAppName("CountingSheep")
             .set("spark.executor.memory", "1g")
val sc = new SparkContext(conf)

 

动态加载Spark属性

在一些状况下，你可能想在SparkConf中避免硬编码肯定的配置。例如，你想用不一样的master或者不一样的内存数运行相同的应用程序。Spark容许你简单地建立一个空conf。

 

val sc = new SparkContext(new SparkConf())

 

而后你在运行时设置变量：

 

./bin/spark-submit --name "My app" --master local[4] --conf spark.shuffle.spill=false
  --conf "spark.executor.extraJavaOptions=-XX:+PrintGCDetails -XX:+PrintGCTimeStamps" myApp.jar

 

Spark shell和spark-submit工具支持两种方式动态加载配置。第一种方式是命令行选项，例如--master，如上面shell显示的那样。spark-submit能够接受任何Spark属性，用--conf参数表示。可是那些参与Spark应用程序启动的属性要用特定的参数表示。运行./bin/spark-submit --help将会显示选项的整个列表。

bin/spark-submit也会从conf/spark-defaults.conf中读取配置选项，这个配置文件中，每一行都包含一对以空格或者等号分开的键和值。例如：

 

spark.master            spark://5.6.7.8:7077
spark.executor.memory   512m
spark.eventLog.enabled  true
spark.serializer        org.apache.spark.serializer.KryoSerializer

 

任何标签指定的值或者在配置文件中的值将会传递给应用程序，而且经过SparkConf合并这些值。在SparkConf上设置的属性具备最高的优先级，其次是传递给spark-submit或者spark-shell的属性值，最后是spark-defaults.conf文件中的属性值。

优先级顺序：

 

SparkConf > CLI > spark-defaults.conf

 

查看Spark属性

在http://<driver>:4040上的应用程序Web UI在Environment标签中列出了全部的Spark属性。这对你确保设置的属性的正确性是颇有用的。

注意：只有经过spark-defaults.conf, SparkConf以及命令行直接指定的值才会显示。对于其它的配置属性，你能够认为程序用到了默认的值。

可用的属性

控制内部设置的大部分属性都有合理的默认值，一些最通用的选项设置以下：

 

应用程序属性

属性名称	默认值	含义
spark.app.name	(none)	你的应用程序的名字。这将在UI和日志数据中出现
spark.driver.cores	1	driver程序运行须要的cpu内核数
spark.driver.maxResultSize	1g	每一个Spark action(如collect)全部分区的序列化结果的总大小限制。设置的值应该不小于1m，0表明没有限制。若是总大小超过这个限制，程序将会终止。大的限制值可能致使driver出现内存溢出错误（依赖于spark.driver.memory和JVM中对象的内存消耗）。
spark.driver.memory	512m	driver进程使用的内存数
spark.executor.memory	512m	每一个executor进程使用的内存数。和JVM内存串拥有相同的格式（如512m,2g）
spark.extraListeners	(none)	注册监听器，须要实现SparkListener
spark.local.dir	/tmp	Spark中暂存空间的使用目录。在Spark1.0以及更高的版本中，这个属性被SPARK_LOCAL_DIRS(Standalone, Mesos)和LOCAL_DIRS(YARN)环境变量覆盖。
spark.logConf	false	当SparkContext启动时，将有效的SparkConf记录为INFO。
spark.master	(none)	集群管理器链接的地方

 

运行环境

属性名称	默认值	含义
spark.driver.extraClassPath	(none)	附加到driver的classpath的额外的classpath实体。
spark.driver.extraJavaOptions	(none)	传递给driver的JVM选项字符串。例如GC设置或者其它日志设置。注意，在这个选项中设置Spark属性或者堆大小是不合法的。Spark属性须要用--driver-class-path设置。
spark.driver.extraLibraryPath	(none)	指定启动driver的JVM时用到的库路径
spark.driver.userClassPathFirst	false	(实验性)当在driver中加载类时，是否用户添加的jar比Spark本身的jar优先级高。这个属性能够下降Spark依赖和用户依赖的冲突。它如今仍是一个实验性的特征。
spark.executor.extraClassPath	(none)	附加到executors的classpath的额外的classpath实体。这个设置存在的主要目的是Spark与旧版本的向后兼容问题。用户通常不用设置这个选项
spark.executor.extraJavaOptions	(none)	传递给executors的JVM选项字符串。例如GC设置或者其它日志设置。注意，在这个选项中设置Spark属性或者堆大小是不合法的。Spark属性须要用SparkConf对象或者spark-submit脚本用到的spark-defaults.conf文件设置。堆内存能够经过spark.executor.memory设置
spark.executor.extraLibraryPath	(none)	指定启动executor的JVM时用到的库路径
spark.executor.logs.rolling.maxRetainedFiles	(none)	设置被系统保留的最近滚动日志文件的数量。更老的日志文件将被删除。默认没有开启。
spark.executor.logs.rolling.size.maxBytes	(none)	executor日志的最大滚动大小。默认状况下没有开启。值设置为字节
spark.executor.logs.rolling.strategy	(none)	设置executor日志的滚动(rolling)策略。默认状况下没有开启。能够配置为time和size。对于time，用spark.executor.logs.rolling.time.interval设置滚动间隔；对于size，用spark.executor.logs.rolling.size.maxBytes设置最大的滚动大小
spark.executor.logs.rolling.time.interval	daily	executor日志滚动的时间间隔。默认状况下没有开启。合法的值是daily, hourly, minutely以及任意的秒。
spark.files.userClassPathFirst	false	(实验性)当在Executors中加载类时，是否用户添加的jar比Spark本身的jar优先级高。这个属性能够下降Spark依赖和用户依赖的冲突。它如今仍是一个实验性的特征。
spark.python.worker.memory	512m	在聚合期间，每一个python worker进程使用的内存数。在聚合期间，若是内存超过了这个限制，它将会将数据塞进磁盘中
spark.python.profile	false	在Python worker中开启profiling。经过sc.show_profiles()展现分析结果。或者在driver退出前展现分析结果。能够经过sc.dump_profiles(path)将结果dump到磁盘中。若是一些分析结果已经手动展现，那么在driver退出前，它们再不会自动展现
spark.python.profile.dump	(none)	driver退出前保存分析结果的dump文件的目录。每一个RDD都会分别dump一个文件。能够经过ptats.Stats()加载这些文件。若是指定了这个属性，分析结果不会自动展现
spark.python.worker.reuse	true	是否重用python worker。若是是，它将使用固定数量的Python workers，而不须要为每一个任务fork()一个Python进程。若是有一个很是大的广播，这个设置将很是有用。由于，广播不须要为每一个任务从JVM到Python worker传递一次
spark.executorEnv.[EnvironmentVariableName]	(none)	经过EnvironmentVariableName添加指定的环境变量到executor进程。用户能够指定多个EnvironmentVariableName，设置多个环境变量
spark.mesos.executor.home	driver side SPARK_HOME	设置安装在Mesos的executor上的Spark的目录。默认状况下，executors将使用driver的Spark本地（home）目录，这个目录对它们不可见。注意，若是没有经过 spark.executor.uri指定Spark的二进制包，这个设置才起做用
spark.mesos.executor.memoryOverhead	executor memory * 0.07, 最小384m	这个值是spark.executor.memory的补充。它用来计算mesos任务的总内存。另外，有一个7%的硬编码设置。最后的值将选择spark.mesos.executor.memoryOverhead或者spark.executor.memory的7%两者之间的大者

 

Shuffle行为

属性名称	默认值	含义
spark.reducer.maxMbInFlight	48	从递归任务中同时获取的map输出数据的最大大小（mb）。由于每个输出都须要咱们建立一个缓存用来接收，这个设置表明每一个任务固定的内存上限，因此除非你有更大的内存，将其设置小一点
spark.shuffle.blockTransferService	netty	实现用来在executor直接传递shuffle和缓存块。有两种可用的实现：netty和nio。基于netty的块传递在具备相同的效率状况下更简单
spark.shuffle.compress	true	是否压缩map操做的输出文件。通常状况下，这是一个好的选择。
spark.shuffle.consolidateFiles	false	若是设置为”true”，在shuffle期间，合并的中间文件将会被建立。建立更少的文件能够提供文件系统的shuffle的效 率。这些shuffle都伴随着大量递归任务。当用ext4和dfs文件系统时，推荐设置为”true”。在ext3中，由于文件系统的限制，这个选项可 能机器（大于8核）下降效率
spark.shuffle.file.buffer.kb	32	每一个shuffle文件输出流内存内缓存的大小，单位是kb。这个缓存减小了建立只中间shuffle文件中磁盘搜索和系统访问的数量
spark.shuffle.io.maxRetries	3	Netty only，自动重试次数
spark.shuffle.io.numConnectionsPerPeer	1	Netty only
spark.shuffle.io.preferDirectBufs	true	Netty only
spark.shuffle.io.retryWait	5	Netty only
spark.shuffle.manager	sort	它的实现用于shuffle数据。有两种可用的实现：sort和hash。基于sort的shuffle有更高的内存使用率
spark.shuffle.memoryFraction	0.2	若是spark.shuffle.spill为 true，shuffle中聚合和合并组操做使用的java堆内存占总内存的比重。在任什么时候候，shuffles使用的全部内存内maps的集合大小都受 这个限制的约束。超过这个限制，spilling数据将会保存到磁盘上。若是spilling太过频繁，考虑增大这个值
spark.shuffle.sort.bypassMergeThreshold	200	(Advanced) In the sort-based shuffle manager, avoid merge-sorting data if there is no map-side aggregation and there are at most this many reduce partitions
spark.shuffle.spill	true	若是设置为”true”，经过将多出的数据写入磁盘来限制内存数。经过spark.shuffle.memoryFraction来指定spilling的阈值
spark.shuffle.spill.compress	true	在shuffle时，是否将spilling的数据压缩。压缩算法经过spark.io.compression.codec指定。

 

Spark UI

属性名称	默认值	含义
spark.eventLog.compress	false	是否压缩事件日志。须要spark.eventLog.enabled为true
spark.eventLog.dir	file:///tmp/spark-events	Spark事件日志记录的基本目录。在这个基本目录下，Spark为每一个应用程序建立一个子目录。各个应用程序记录日志到直到的目录。用户可能想设置这为统一的地点，像HDFS同样，因此历史文件能够经过历史服务器读取
spark.eventLog.enabled	false	是否记录Spark的事件日志。这在应用程序完成后，从新构造web UI是有用的
spark.ui.killEnabled	true	运行在web UI中杀死stage和相应的job
spark.ui.port	4040	你的应用程序dashboard的端口。显示内存和工做量数据
spark.ui.retainedJobs	1000	在垃圾回收以前，Spark UI和状态API记住的job数
spark.ui.retainedStages	1000	在垃圾回收以前，Spark UI和状态API记住的stage数

 

压缩和序列化

属性名称	默认值	含义
spark.broadcast.compress	true	在发送广播变量以前是否压缩它
spark.closure.serializer	org.apache. spark.serializer. JavaSerializer	闭包用到的序列化类。目前只支持java序列化器
spark.io.compression.codec	snappy	压缩诸如RDD分区、广播变量、shuffle输出等内部数据的编码解码器。默认状况下，Spark提供了三种选择：lz四、lzf和snappy，你也能够用完整的类名来制定。
spark.io.compression.lz4.block.size	32768	LZ4压缩中用到的块大小。下降这个块的大小也会下降shuffle内存使用率
spark.io.compression.snappy.block.size	32768	Snappy压缩中用到的块大小。下降这个块的大小也会下降shuffle内存使用率
spark.kryo.classesToRegister	(none)	若是你用Kryo序列化，给定的用逗号分隔的自定义类名列表表示要注册的类
spark.kryo.referenceTracking	true	当用Kryo序列化时，跟踪是否引用同一对象。若是你的对象图有环，这是必须的设置。若是他们包含相同对象的多个副本，这个设置对效率是有用的。若是你知道不在这两个场景，那么能够禁用它以提升效率
spark.kryo.registrationRequired	false	是否须要注册为Kyro可用。若是设置为true，而后若是一个没有注册的类序列化，Kyro会抛出异常。若是设置为false，Kryo将会同时写每一个对象和其非注册类名。写类名可能形成显著地性能瓶颈。
spark.kryo.registrator	(none)	若是你用Kryo序列化，设置这个类去注册你的自定义类。若是你须要用自定义的方式注册你的类，那么这个属性是有用的。不然spark.kryo.classesToRegister会更简单。它应该设置一个继承自KryoRegistrator的类
spark.kryoserializer.buffer.max.mb	64	Kryo序列化缓存容许的最大值。这个值必须大于你尝试序列化的对象
spark.kryoserializer.buffer.mb	0.064	Kyro序列化缓存的大小。这样worker上的每一个核都有一个缓存。若是有须要，缓存会涨到spark.kryoserializer.buffer.max.mb设置的值那么大。
spark.rdd.compress	true	是否压缩序列化的RDD分区。在花费一些额外的CPU时间的同时节省大量的空间
spark.serializer	org.apache. spark.serializer. JavaSerializer	序列化对象使用的类。默认的Java序列化类能够序列化任何可序列化的java对象可是它很慢。全部咱们建议用org.apache.spark.serializer.KryoSerializer
spark.serializer.objectStreamReset	100	当用org.apache.spark.serializer.JavaSerializer序列化时，序列化器经过缓存对象防止写多余的数据，然而这会形成这些对象的垃圾回收中止。经过请求’reset’，你从序列化器中flush这些信息并容许收集老的数据。为了关闭这个周期性的reset，你能够将值设为-1。默认状况下，每一百个对象reset一次

 

运行时行为

属性名称	默认值	含义
spark.broadcast.blockSize	4096	TorrentBroadcastFactory传输的块大小，太大值会下降并发，过小的值会出现性能瓶颈
spark.broadcast.factory	org.apache.spark. broadcast.TorrentBroadcastFactory	broadcast实现类
spark.cleaner.ttl	(infinite)	spark记录任何元数据（stages生成、task生成等）的持续时间。按期清理能够确保将超期的元数据丢弃，这在运行长时间任务是颇有用的，如运行7*24的sparkstreaming任务。RDD持久化在内存中的超期数据也会被清理
spark.default.parallelism	本地模式：机器核数；Mesos：8；其余：max(executor的core，2)	若是用户不设置，系统使用集群中运行shuffle操做的默认任务数（groupByKey、 reduceByKey等）
spark.executor.heartbeatInterval	10000	executor 向 the driver 汇报心跳的时间间隔，单位毫秒
spark.files.fetchTimeout	60	driver 程序获取经过SparkContext.addFile()添加的文件时的超时时间，单位秒
spark.files.useFetchCache	true	获取文件时是否使用本地缓存
spark.files.overwrite	false	调用SparkContext.addFile()时候是否覆盖文件
spark.hadoop.cloneConf	false	每一个task是否克隆一份hadoop的配置文件
spark.hadoop.validateOutputSpecs	true	是否校验输出
spark.storage.memoryFraction	0.6	Spark内存缓存的堆大小占用总内存比例，该值不能大于老年代内存大小，默认值为0.6，可是，若是你手动设置老年代大小，你能够增长该值
spark.storage.memoryMapThreshold	2097152	内存块大小
spark.storage.unrollFraction	0.2	Fraction of spark.storage.memoryFraction to use for unrolling blocks in memory.
spark.tachyonStore.baseDir	System.getProperty(“java.io.tmpdir”)	Tachyon File System临时目录
spark.tachyonStore.url	tachyon://localhost:19998	Tachyon File System URL

 

 

网络

属性名称	默认值	含义
spark.driver.host	(local hostname)	driver监听的主机名或者IP地址。这用于和executors以及独立的master通讯
spark.driver.port	(random)	driver监听的接口。这用于和executors以及独立的master通讯
spark.fileserver.port	(random)	driver的文件服务器监听的端口
spark.broadcast.port	(random)	driver的HTTP广播服务器监听的端口
spark.replClassServer.port	(random)	driver的HTTP类服务器监听的端口
spark.blockManager.port	(random)	块管理器监听的端口。这些同时存在于driver和executors
spark.executor.port	(random)	executor监听的端口。用于与driver通讯
spark.port.maxRetries	16	当绑定到一个端口，在放弃前重试的最大次数
spark.akka.frameSize	10	在”control plane”通讯中容许的最大消息大小。若是你的任务须要发送大的结果到driver中，调大这个值
spark.akka.threads	4	通讯的actor线程数。当driver有不少CPU核时，调大它是有用的
spark.akka.timeout	100	Spark节点之间的通讯超时。单位是秒
spark.akka.heartbeat.pauses	6000	This is set to a larger value to disable failure detector that comes inbuilt akka. It can be enabled again, if you plan to use this feature (Not recommended). Acceptable heart beat pause in seconds for akka. This can be used to control sensitivity to gc pauses. Tune this in combination of spark.akka.heartbeat.interval and spark.akka.failure-detector.threshold if you need to.
spark.akka.failure-detector.threshold	300.0	This is set to a larger value to disable failure detector that comes inbuilt akka. It can be enabled again, if you plan to use this feature (Not recommended). This maps to akka’s akka.remote.transport-failure-detector.threshold. Tune this in combination of spark.akka.heartbeat.pauses and spark.akka.heartbeat.interval if you need to.
spark.akka.heartbeat.interval	1000	This is set to a larger value to disable failure detector that comes inbuilt akka. It can be enabled again, if you plan to use this feature (Not recommended). A larger interval value in seconds reduces network overhead and a smaller value ( ~ 1 s) might be more informative for akka’s failure detector. Tune this in combination of spark.akka.heartbeat.pauses and spark.akka.failure-detector.threshold if you need to. Only positive use case for using failure detector can be, a sensistive failure detector can help evict rogue executors really quick. However this is usually not the case as gc pauses and network lags are expected in a real Spark cluster. Apart from that enabling this leads to a lot of exchanges of heart beats between nodes leading to flooding the network with those.

 

调度相关属性

属性名称	默认值	含义
spark.task.cpus	1	为每一个任务分配的内核数
spark.task.maxFailures	4	Task的最大重试次数
spark.scheduler.mode	FIFO	Spark的任务调度模式，还有一种Fair模式
spark.cores.max		当应用程序运行在Standalone集群或者粗粒度共享模式Mesos集群时，应用程序向集群请求的最大CPU内核总数（不是指每 台机器，而是整个集群）。若是不设置，对于Standalone集群将使用spark.deploy.defaultCores中数值，而Mesos将使 用集群中可用的内核
spark.mesos.coarse	False	若是设置为true，在Mesos集群中运行时使用粗粒度共享模式
spark.speculation	False	如下几个参数是关于Spark推测执行机制的相关参数。此参数设定是否使用推测执行机制，若是设置为true则spark使用推测执行机制，对于Stage中拖后腿的Task在其余节点中从新启动，并将最早完成的Task的计算结果最为最终结果
spark.speculation.interval	100	Spark多长时间进行检查task运行状态用以推测，以毫秒为单位
spark.speculation.quantile		推测启动前，Stage必需要完成总Task的百分比
spark.speculation.multiplier	1.5	比已完成Task的运行速度中位数慢多少倍才启用推测
spark.locality.wait	3000	如下几个参数是关于Spark数据本地性的。本参数是以毫秒为单位启动本地数据task的等待时间，若是超出就启动下一本地优先级别 的task。该设置一样能够应用到各优先级别的本地性之间（本地进程 -> 本地节点 -> 本地机架 -> 任意节点 ），固然，也能够经过spark.locality.wait.node等参数设置不一样优先级别的本地性
spark.locality.wait.process	spark.locality.wait	本地进程级别的本地等待时间
spark.locality.wait.node	spark.locality.wait	本地节点级别的本地等待时间
spark.locality.wait.rack	spark.locality.wait	本地机架级别的本地等待时间
spark.scheduler.revive.interval	1000	复活从新获取资源的Task的最长时间间隔（毫秒），发生在Task由于本地资源不足而将资源分配给其余Task运行后进入等待时间，若是这个等待时间内从新获取足够的资源就继续计算

 

Dynamic Allocation

属性名称	默认值	含义
spark.dynamicAllocation.enabled	false	是否开启动态资源搜集
spark.dynamicAllocation.executorIdleTimeout	600
spark.dynamicAllocation.initialExecutors	spark.dynamicAllocation.minExecutors
spark.dynamicAllocation.maxExecutors	Integer.MAX_VALUE
spark.dynamicAllocation.minExecutors	0
spark.dynamicAllocation.schedulerBacklogTimeout	5
spark.dynamicAllocation.sustainedSchedulerBacklogTimeout	schedulerBacklogTimeout

 

安全

属性名称	默认值	含义
spark.authenticate	false	是否Spark验证其内部链接。若是不是运行在YARN上，请看spark.authenticate.secret
spark.authenticate.secret	None	设置Spark两个组件之间的密匙验证。若是不是运行在YARN上，可是须要验证，这个选项必须设置
spark.core.connection.auth.wait.timeout	30	链接时等待验证的实际。单位为秒
spark.core.connection.ack.wait.timeout	60	链接等待回答的时间。单位为秒。为了不不但愿的超时，你能够设置更大的值
spark.ui.filters	None	应用到Spark web UI的用于过滤类名的逗号分隔的列表。过滤器必须是标准的javax servlet Filter。经过设置java系统属性也能够指定每一个过滤器的参数。spark.<class name of filter>.params='param1=value1,param2=value2'。例如-Dspark.ui.filters=com.test.filter1、-Dspark.com.test.filter1.params='param1=foo,param2=testing'
spark.acls.enable	false	是否开启Spark acls。若是开启了，它检查用户是否有权限去查看或修改job。UI利用使用过滤器验证和设置用户
spark.ui.view.acls	empty	逗号分隔的用户列表，列表中的用户有查看Spark web UI的权限。默认状况下，只有启动Spark job的用户有查看权限
spark.modify.acls	empty	逗号分隔的用户列表，列表中的用户有修改Spark job的权限。默认状况下，只有启动Spark job的用户有修改权限
spark.admin.acls	empty	逗号分隔的用户或者管理员列表，列表中的用户或管理员有查看和修改全部Spark job的权限。若是你运行在一个共享集群，有一组管理员或开发者帮助debug，这个选项有用

 

加密

属性名称	默认值	含义
spark.ssl.enabled	false	是否开启ssl
spark.ssl.enabledAlgorithms	Empty	JVM支持的加密算法列表，逗号分隔
spark.ssl.keyPassword	None
spark.ssl.keyStore	None
spark.ssl.keyStorePassword	None
spark.ssl.protocol	None
spark.ssl.trustStore	None
spark.ssl.trustStorePassword	None

 

Spark Streaming

属性名称	默认值	含义
spark.streaming.blockInterval	200	在这个时间间隔（ms）内，经过Spark Streaming receivers接收的数据在保存到Spark以前，chunk为数据块。推荐的最小值为50ms
spark.streaming.receiver.maxRate	infinite	每秒钟每一个receiver将接收的数据的最大记录数。有效的状况下，每一个流将消耗至少这个数目的记录。设置这个配置为0或者-1将会不做限制
spark.streaming.receiver.writeAheadLogs.enable	false	Enable write ahead logs for receivers. All the input data received through receivers will be saved to write ahead logs that will allow it to be recovered after driver failures
spark.streaming.unpersist	true	强制经过Spark Streaming生成并持久化的RDD自动从Spark内存中非持久化。经过Spark Streaming接收的原始输入数据也将清除。设置这个属性为false容许流应用程序访问原始数据和持久化RDD，由于它们没有被自动清除。可是它会 形成更高的内存花费

 

集群管理 

Spark On YARN

属性名称	默认值	含义
spark.yarn.am.memory	512m	client 模式时，am的内存大小；cluster模式时，使用spark.driver.memory变量
spark.driver.cores	1	claster模式时，driver使用的cpu核数，这时候driver运行在am中，其实也就是am和核数；client模式时，使用spark.yarn.am.cores变量
spark.yarn.am.cores	1	client 模式时，am的cpu核数
spark.yarn.am.waitTime	100000	启动时等待时间
spark.yarn.submit.file.replication	3	应用程序上传到HDFS的文件的副本数
spark.yarn.preserve.staging.files	False	若为true，在job结束后，将stage相关的文件保留而不是删除
spark.yarn.scheduler.heartbeat.interval-ms	5000	Spark AppMaster发送心跳信息给YARN RM的时间间隔
spark.yarn.max.executor.failures	2倍于executor数，最小值3	致使应用程序宣告失败的最大executor失败次数
spark.yarn.applicationMaster.waitTries	10	RM等待Spark AppMaster启动重试次数，也就是SparkContext初始化次数。超过这个数值，启动失败
spark.yarn.historyServer.address		Spark history server的地址（不要加 http://）。这个地址会在Spark应用程序完成后提交给YARN RM，而后RM将信息从RM UI写到history server UI上。
spark.yarn.dist.archives	(none)
spark.yarn.dist.files	(none)
spark.executor.instances	2	executor实例个数
spark.yarn.executor.memoryOverhead	executorMemory * 0.07, with minimum of 384	executor的堆内存大小设置
spark.yarn.driver.memoryOverhead	driverMemory * 0.07, with minimum of 384	driver的堆内存大小设置
spark.yarn.am.memoryOverhead	AM memory * 0.07, with minimum of 384	am的堆内存大小设置，在client模式时设置
spark.yarn.queue	default	使用yarn的队列
spark.yarn.jar	(none)
spark.yarn.access.namenodes	(none)
spark.yarn.appMasterEnv.[EnvironmentVariableName]	(none)	设置am的环境变量
spark.yarn.containerLauncherMaxThreads	25	am启动executor的最大线程数
spark.yarn.am.extraJavaOptions	(none)
spark.yarn.maxAppAttempts	yarn.resourcemanager.am.max-attempts in YARN	am重试次数

Spark on Mesos

使用较少，参考Running Spark on Mesos。

Spark Standalone Mode

参考Spark Standalone Mode。

Spark History Server

当你运行Spark Standalone Mode或者Spark on Mesos模式时，你能够经过Spark History Server来查看job运行状况。

Spark History Server的环境变量：

属性名称	含义
SPARK_DAEMON_MEMORY	Memory to allocate to the history server (default: 512m).
SPARK_DAEMON_JAVA_OPTS	JVM options for the history server (default: none).
SPARK_PUBLIC_DNS
SPARK_HISTORY_OPTS	配置 spark.history.* 属性

Spark History Server的属性：

属性名称	默认	含义
spark.history.provider	org.apache.spark.deploy.history.FsHistoryProvide	应用历史后端实现的类名。 目前只有一个实现, 由Spark提供, 它查看存储在文件系统里面的应用日志
spark.history.fs.logDirectory	file:/tmp/spark-events
spark.history.updateInterval	10	以秒为单位，多长时间Spark history server显示的信息进行更新。每次更新都会检查持久层事件日志的任何变化。
spark.history.retainedApplications	50	在Spark history server上显示的最大应用程序数量，若是超过这个值，旧的应用程序信息将被删除。
spark.history.ui.port	18080	官方版本中，Spark history server的默认访问端口
spark.history.kerberos.enabled	false	是否使用kerberos方式登陆访问history server，对于持久层位于安全集群的HDFS上是有用的。若是设置为true，就要配置下面的两个属性。
spark.history.kerberos.principal	空	用于Spark history server的kerberos主体名称
spark.history.kerberos.keytab	空	用于Spark history server的kerberos keytab文件位置
spark.history.ui.acls.enable	false	受权用户查看应用程序信息的时候是否检查acl。若是启用，只有应用程序全部者和spark.ui.view.acls指定的用户能够查看应用程序信息;若是禁用，不作任何检查。

 

环境变量

经过环境变量配置肯定的Spark设置。环境变量从Spark安装目录下的conf/spark-env.sh脚本读取（或者windows的conf/spark-env.cmd）。在独立的或者Mesos模式下，这个文件能够给机器肯定的信息，如主机名。当运行本地应用程序或者提交脚本时，它也起做用。

注意，当Spark安装时，conf/spark-env.sh默认是不存在的。你能够复制conf/spark-env.sh.template建立它。

能够在spark-env.sh中设置以下变量：

环境变量	含义
JAVA_HOME	Java安装的路径
PYSPARK_PYTHON	PySpark用到的Python二进制执行文件路径
SPARK_LOCAL_IP	机器绑定的IP地址
SPARK_PUBLIC_DNS	你Spark应用程序通知给其余机器的主机名

除了以上这些，Spark standalone cluster scripts也能够设置一些选项。例如每台机器使用的核数以及最大内存。

由于spark-env.sh是shell脚本，其中的一些能够以编程方式设置。例如，你能够经过特定的网络接口计算SPARK_LOCAL_IP。

 

配置日志

Spark用log4j logging。你能够经过在conf目录下添加log4j.properties文件来配置。一种方法是复制log4j.properties.template文件。

原创文章，转载请注明： 转载自JavaChen Blog，做者：JavaChen

本文连接地址：http://blog.javachen.com/2015/06/07/spark-configuration.html