spark笔记

spark.driver.extraJavaOptions -XX:PermSize=128M -XX:MaxPermSize=256M

cluster模式：
spark.driver.extraJavaOptions -XX:PermSize=1024M -XX:MaxPermSize=2048M (可被此参数覆盖--driver-java-options)
spark.executor.extraJavaOptions=-XX:+UseConcMarkSweepGC

client模式：
JAVA_OPTS="-XX:MaxPermSize=256m $OUR_JAVA_OPTS"



spark.driver.memory=1g
spark.driver.cores=1
spark.driver.maxResultSize=1g

spark.executor.memory=1g
spark.executor.cores
spark.shuffle.manager=sort
spark.shuffle.file.buffer=64K
spark.reducer.maxSizeInFlight=96m
spark.shuffle.io.maxRetries=10
spark.shuffle.sort.bypassMergeThreshold=200
spark.shuffle.spill.compress=false
spark.shuffle.memoryFraction=0.1
spark.default.parallelism=100
spark.storage.memoryFraction=0.3
spark.yarn.executor.memoryOverhead=1024
spark.yarn.driver.memoryOverhead=1228
spark.yarn.am.memory=2048
spark.yarn.am.memoryOverhead=512
spark.eventLog.enabled=true
spark.cleaner.ttl=500




参数名称 含义
--master MASTER_URL 可以是spark://host:port, mesos://host:port, yarn, yarn-cluster,yarn-client, local
--deploy-mode DEPLOY_MODE Driver程序运行的地方，client或者cluster
--class CLASS_NAME 主类名称，含包名
--name NAME Application名称
--jars JARS Driver依赖的第三方jar包
--py-files PY_FILES 用逗号隔开的放置在Python应用程序PYTHONPATH上的 .zip, .egg, .py文件列表
--files FILES 用逗号隔开的要放置在每个executor工作目录的文件列表
--properties-file FILE 设置应用程序属性的文件路径，默认是conf/spark-defaults.conf
--driver-memory MEM Driver程序使用内存大小
--driver-java-options
--driver-library-path Driver程序的库路径
--driver-class-path Driver程序的类路径
--executor-memory MEM executor内存大小，默认1G
--driver-cores NUM Driver程序的使用CPU个数，仅限于Spark Alone模式
--supervise 失败后是否重启Driver，仅限于Spark Alone模式
--total-executor-cores NUM executor使用的总核数，仅限于Spark Alone、Spark on Mesos模式
--executor-cores NUM 每个executor使用的内核数，默认为1，仅限于Spark on Yarn模式
--queue QUEUE_NAME 提交应用程序给哪个YARN的队列，默认是default队列，仅限于Spark on Yarn模式
--num-executors NUM 启动的executor数量，默认是2个，仅限于Spark on Yarn模式
--archives ARCHIVES 仅限于Spark on Yarn模式


--conf "spark.mongodb.input.uri=mongodb://127.0.0.1/test.myCollection?readPreference=primaryPreferred" \
--conf "spark.mongodb.output.uri=mongodb://127.0.0.1/test.myCollection" \
--packages org.mongodb.spark:mongo-spark-connector_2.10:1.1.0

spark streaming:
1.设置合理的batchDuration
每隔一个batchDuration提交一个Job，可以达到毫秒级别，最好不要小于500ms；
2.增Job的并行度
尽可能把Task分配到不同的节点上
3.使用Kryo的序列化
spark默认使用Java的序列化
4.缓存经常使用的数据
缓存经常使用的数据，加快数据的处理
5.清楚不需要的数据
随着时间的推移，有一些数据是不需要的，但这些数据是缓存在内存中的，会消耗内存资源，
通过配置spark.cleaner.ttl为一个合理的值(值不能设置太小),
还可以配置spark.streaming.unpersist为true来去除持久化RDD(默认是true)。
6.设置合理的GC
GC比较难调，不合理的GC行为会给程序带来很大的影响。在集群环境下，可以使用并行Mark-Sweep垃圾回收机制(消耗的资源比较多)，
可以如下配置：spark.executor.extraJavaOptions=-XX:+UseConcMarkSweepGC
7.设置合理的CPU资源
在streaming情况下，很多时候需要的内存不是很多，但需要的CPU要很多。在streaming程序中，CPU资源的使用可以分为两大类：(1)、用于接受数据；(2)、用于处理数据。


sparkSQL
1.shuffle时候的Task数量，通过spark.sql.shuffle.partitions来调节(默认是200)。
2.想要获取更好的表达式查询速度，可以将spark.sql.codegen设置为ture。
3.对于数据倾斜，采用加入部分中间步骤，如聚合后cache。
4.适当的使用序化方案以及压缩方案。



spark webUI监控Stage的一个图：
1.PROCESS_LOCAL是指读取缓存在本地节点的数据。
2.NODE_LOCAL是指读取本地节点硬盘数据。
3.ANY是指读取非本地节点数据。
4.通常读取数据PROCESS_LOCAL>NODE_LOCAL>ANY，尽量使数据以PROCESS_LOCAL或NODE_LOCAL方式读取。其中PROCESS_LOCAL还和cache有关。


在Spark集群环境下，只有足够高的并行度才能使系统资源得到充分的利用，可以通过修改spark-env.sh来调整Executor的数量和使用资源，Standalone和YARN方式资源的调度管理是不同的。

在Standalone模式下:
1. 每个节点使用的最大内存数：SPARK_WORKER_INSTANCES*SPARK_WORKER_MEMORY；
2. 每个节点的最大并发task数：SPARK_WORKER_INSTANCES*SPARK_WORKER_CORES。

在YARN模式下：
1. 集群task并行度：SPARK_ EXECUTOR_INSTANCES* SPARK_EXECUTOR_CORES；
2. 集群内存总量：(executor个数) * (SPARK_EXECUTOR_MEMORY+ spark.yarn.executor.memoryOverhead)+ (SPARK_DRIVER_MEMORY+spark.yarn.driver.memoryOverhead)。
重点强调：Spark对Executor和Driver额外添加堆内存大小，Executor端：由 spark.yarn.executor.memoryOverhead设置，默认值executorMemory * 0.07与384的最大值。Driver端：由spark.yarn.driver.memoryOverhead设置，默认值driverMemory * 0.07与384的最大值。
通过调整上述参数，可以提高集群并行度，让系统同时执行的任务更多，那么对于相同的任务，并行度高了，可以减少轮询次数。举例说明：如果一个stage有100task，并行度为50，那么执行完这次任务，需要轮询两次才能完成，如果并行度为100，那么一次就可以了。
但是在资源相同的情况，并行度高了，相应的Executor内存就会减少，所以需要根据实际实况协调内存和core。此外，Spark能够非常有 效的支持短时间任务（例如：200ms），因为会对所有的任务复用JVM，这样能减小任务启动的消耗，Standalone模式下，core可以允许 1-2倍于物理core的数量进行超配。

Spark任务数量调整
Spark的任务数由stage中的起始的所有RDD的partition之和数量决定，所以需要了解每个RDD的partition的计算方 法。以Spark应用从HDFS读取数据为例，HadoopRDD的partition切分方法完全继承于MapReduce中的 FileInputFormat，具体的partition数量由HDFS的块大小、mapred.min.split.size的大小、文件的压缩方式 等多个因素决定，详情需要参见FileInputFormat的代码。

Spark内存调优
内存优化有三个方面的考虑：对象所占用的内存，访问对象的消耗以及垃圾回收所占用的开销。

1. 对象所占内存，优化数据结构
Spark 默认使用Java序列化对象，虽然Java对象的访问速度更快，但其占用的空间通常比其内部的属性数据大2-5倍。为了减少内存的使用，减少Java序列 化后的额外开销，下面列举一些Spark官网（http://spark.apache.org/docs/latest /tuning.html#tuning-data-structures）提供的方法。
（1）使用对象数组以及原始类型（primitive type）数组以替代Java或者Scala集合类（collection class)。fastutil 库为原始数据类型提供了非常方便的集合类，且兼容Java标准类库。
（2）尽可能地避免采用含有指针的嵌套数据结构来保存小对象。
（3）考虑采用数字ID或者枚举类型以便替代String类型的主键。
（4）如果内存少于32GB，设置JVM参数-XX:+UseCom­pressedOops以便将8字节指针修改成4字节。与此同时，在 Java 7或者更高版本，设置JVM参数-XX:+UseC­­­­­ompressedStrings以便采用8比特来编码每一个ASCII字符。

2. 内存回收
（1）获取内存统计信息：优化内存前需要了解集群的内存回收频率、内存回收耗费时间等信息，可以在spark-env.sh中设置 SPARK_JAVA_OPTS=“-verbose:gc -XX:+PrintGCDetails -XX:+PrintGCTimeStamps $ SPARK_JAVA_OPTS”来获取每一次内存回收的信息。
（2）优化缓存大小：默认情况Spark采用运行内存（spark.executor.memory）的60%来进行RDD缓存。这表明在任务执 行期间，有40%的内存可以用来进行对象创建。如果任务运行速度变慢且JVM频繁进行内存回收，或者内存空间不足，那么降低缓存大小设置可以减少内存消 耗，可以降低spark.storage.memoryFraction的大小。

3. 频繁GC或者OOM
针对这种情况，首先要确定现象是发生在Driver端还是在Executor端，然后在分别处理。
Driver端：通常由于计算过大的结果集被回收到Driver端导致，需要调大Driver端的内存解决，或者进一步减少结果集的数量。

Executor端：
（1）以外部数据作为输入的Stage：这类Stage中出现GC通常是因为在Map侧进行map-side-combine时，由于group 过多引起的。解决方法可以增加partition的数量（即task的数量）来减少每个task要处理的数据，来减少GC的可能性。
（2）以shuffle作为输入的Stage：这类Stage中出现GC的通常原因也是和shuffle有关，常见原因是某一个或多个group 的数据过多，也就是所谓的数据倾斜，最简单的办法就是增加shuffle的task数量，比如在SparkSQL中设置SET spark.sql.shuffle.partitions=400，如果调大shuffle的task无法解决问题，说明你的数据倾斜很严重，某一个 group的数据远远大于其他的group，需要你在业务逻辑上进行调整，预先针对较大的group做单独处理。

修改序列化
使用Kryo序列化，因为Kryo序列化结果比Java标准序列化更小，更快速。具体方法：spark-default.conf 里设置spark.serializer为org.apache.spark.serializer.KryoSerializer 。
参考官方文档（http://spark.apache.org/docs/latest/tuning.html#summary）：对于大多数程序而言，采用Kryo框架以及序列化能够解决性能相关的大部分问题。

Spark 磁盘调优
在集群环境下，如果数据分布不均匀，造成节点间任务分布不均匀，也会导致节点间源数据不必要的网络传输，从而大大影响系统性能，那么对于磁盘调优最好先将数据资源分布均匀。除此之外，还可以对源数据做一定的处理：
1. 在内存允许范围内，将频繁访问的文件或数据置于内存中；
2. 如果磁盘充裕，可以适当增加源数据在HDFS上的备份数以减少网络传输；
3. Spark支持多种文件格式及压缩方式，根据不同的应用环境进行合理的选择。如果每次计算只需要其中的某几列，可以使用列式文件格式，以减少磁盘I/O， 常用的列式有parquet、rcfile。如果文件过大，将原文件压缩可以减少磁盘I/O，例如：gzip、snappy、lzo。

其他
广播变量（broadcast）
当task中需要访问一个Driver端较大的数据时，可以通过使用SparkContext的广播变量来减小每一个任务的大小以及在集群中启动 作业的消耗。参考官方文档http://spark.apache.org/docs/latest /tuning.html#broadcasting-large-variables。

开启推测机制
推测机制后，如果集群中，某一台机器的几个task特别慢，推测机制会将任务分配到其他机器执行，最后Spark会选取最快的作为最终结果。
在spark-default.conf 中添加：spark.speculation true

推测机制与以下几个参数有关：
1. spark.speculation.interval 100：检测周期，单位毫秒；
2. spark.speculation.quantile 0.75：完成task的百分比时启动推测；
3. spark.speculation.multiplier 1.5：比其他的慢多少倍时启动推测。

总结
Spark系统的性能调优是一个很复杂的过程，需要对Spark以及Hadoop有足够的知识储备。从业务应用平台（Spark）、存储 （HDFS）、操作系统、硬件等多个层面都会对性能产生很大的影响。借助于多种性能监控工具，我们可以很好地了解系统的性能表现，并根据上面介绍的经验进 行调整。