原文來我的公眾號：Spark效能優化指南——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程序。該程序是向叢集管理器（Yarn,K8s）申請執行Spark作業需要使用的資源，這裡的資源指的就是Executor程序。 YARN叢集管理器會根據我們為Spark作業設定的資源引數，在各個工作節點上，啟動一定數量的Executor程序，每個Executor程序都佔有一定數量的記憶體和CPU core。 在申請到了作業執行所需的資源之後，Driver程序就會開始排程和執行我們編寫的作業程式碼了。 Driver程序會將我們編寫的Spark作業程式碼分拆為多個stage，每個stage執行一部分程式碼片段，併為每個stage建立一批task，然後將這些task分配到各個Executor程序中執行。 task是最小的計算單元，負責執行一模一樣的計算邏輯（也就是我們自己編寫的某個程式碼片段），只是每個task處理的資料不同而已。 一個stage的所有task都執行完畢之後，會在各個節點本地的磁碟檔案中寫入計算中間結果，然後Driver就會排程執行下一個stage。 下一個stage的task的輸入資料就是上一個stage輸出的中間結果。如此迴圈往復，直到將我們自己編寫的程式碼邏輯全部執行完，並且計算完所有的資料，得到我們想要的結果為止。 Spark是根據shuffle類運算元來進行stage的劃分。如果我們的程式碼中執行了某個shuffle類運算元（比如reduceByKey、join等），那麼就會在該運算元處，劃分出一個stage界限來。 可以大致理解為，shuffle運算元執行之前的程式碼會被劃分為一個stage，shuffle運算元執行以及之後的程式碼會被劃分為下一個stage。   因此一個stage剛開始執行的時候，它的每個task可能都會從上一個stage的task所在的節點，去通過網路傳輸拉取需要自己處理的所有key，然後對拉取到的所有相同的key使用我們自己編寫的運算元函式執行聚合操作（比如reduceByKey()運算元接收的函式）。這個過程就是shuffle。 當我們在程式碼中執行了cache/persist等持久化操作時，根據我們選擇的持久化級別的不同，每個task計算出來的資料也會儲存到Executor程序的記憶體或者所在節點的磁碟檔案中。   因此Executor的記憶體主要分為三塊： 第一塊是讓task執行我們自己編寫的程式碼時使用，預設是佔Executor總記憶體的20%； 第二塊是讓task通過shuffle過程拉取了上一個stage的task的輸出後，進行聚合等操作時使用，預設也是佔Executor總記憶體的20%； 第三塊是讓RDD持久化時使用，預設佔Executor總記憶體的60%。   task的執行速度是跟每個Executor程序的CPU core數量有直接關係的。一個CPU core同一時間只能執行一個執行緒。而每個Executor程序上分配到的多個task，都是以每個task一條執行緒的方式，多執行緒併發執行的。 如果CPU core數量比較充足，而且分配到的task數量比較合理，那麼通常來說，可以比較快速和高效地執行完這些task執行緒。  

二.核心調優引數

num-executors：

該引數用於設定Spark作業總共要用多少個Executor程序來執行。Driver在向YARN叢集管理器申請資源時，YARN叢集管理器會盡可能按照你的設定來在叢集的各個工作節點上，啟動相應數量的Executor程序。這個引數非常之重要，如果不設定的話，預設只會給你啟動少量的Executor程序，此時你的Spark作業的執行速度是非常慢的。（建議50~100個左右的Executor程序）  

executor-memory：

該引數用於設定每個Executor程序的記憶體。Executor記憶體的大小，很多時候直接決定了Spark作業的效能，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：

該引數用於設定每個Executor程序的CPU core數量。這個引數決定了每個Executor程序並行執行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程序的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：

該引數用於設定Driver程序的記憶體（建議設定512M到1G）。  

spark.default.parallelism：

該引數用於設定每個stage的預設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作業效能。（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，預設是一個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：

該引數用於設定RDD持久化資料在Executor記憶體中能佔的比例，預設是0.6（原則上是儘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：

該引數用於設定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，那麼多餘的資料就會溢寫到磁碟檔案中去，此時就會極大地降低效能。（shuffle操作較多時，建議降低持久化操作的記憶體佔比，提高shuffle操作的記憶體佔比比例，避免shuffle過程中資料過多時記憶體不夠用，必須溢寫到磁碟上，降低了效能）

 

微信掃描二維碼，關注我的公眾號 我的個人網站：http://www.itrensheng.com/

&n