Spark Executor数量设置

Posted 2023-04-25

参考技术A 我们知道Spark application的运行单元是task，资源分配单元是executor。task数的多少是和RDD的分区数相关的，整个application的并行度是 Executor数 * Task。这里整理一下executor的个数是如何设置的。

我们通常都使用spark-submit 来提交任务，对于不同的部署模式，需要使用不同的参数来指定executor数，实际生产环境中最常使用的部署模式就是 ON YARN 和 Standalone两种模式。

ON YARN模式下可以使用选项 –num-executors 来直接设置application的executor数，该选项默认值是2.。 该选项对应的配置参数是 spark.executor.instances

如下，我们可以在启动spark-shell时指定executor数

通过web监控页面可以看到有5个executor

在standalone模式下，并没有参数直接指定使用多少个executor数。而是按照如下方式计算而来

spark.cores.max 默认没有设置，这时它使用的是 spark.deploy.defaultCores，而这个的默认值是Int.max，也就是不限制，这样应用就会获取所有可用的CPU资源，所以为了限制应用程序使用CPU资源，用户需要设置spark.core.max配置项，约束每个应用程序所能申请的最大CPU核数。
spark.executor.cores 该参数用以设置每个executor使用的CPU资源，在 ON YARN模式下，默认是1，而standalone模式下是worker节点上所有可用的CPU的资源，显然在实际生产环境中，这样做也不合理，因此需要设置spark.executor.cores配置项，用于设置在standalone模式下每个Executor使用的CPU核数。

最后补充说明一下单个executor的资源配置，也就是一个executor使用的CPU和内存资源

选项 –executor-memory 可以指定每个executor的内存，默认是 1G，对应的配置项是 spark.executor.memory，该配置项默认单位是MB，也可以显示指定单位 （如2g，8g）
选项 –executor-cores （适用于ON YARN和standalone模式） 可以指定每个executor的内存，对应的配置项是 spark.executor.cores

工作常用之Spark调优[二资源调优

第 2 章 资源调优 2.1 资源规划 2.1.1 资源设定考虑 1 、总体原则 以单台服务器 128G 内存， 32 线程为例。 先设定单个 Executor 核数，根据 Yarn 配置得出每个节点最多的 Executor 数量，每个节 点的 yarn 内存 / 每个节点数量 = 单个节点的数量 总的 executor 数 = 单节点数量 * 节点数。 2 、具体提交参数 1 ） executor-cores 每个 executor 的最大核数。根据经验实践，设定在 3~6 之间比较合理。 2 ） num-executors 该参数值 = 每个节点的 executor 数 * work 节点数 每个 node 的 executor 数 = 单节点 yarn 总核数 / 每个 executor 的最大 cpu 核数 考虑到系统基础服务和 HDFS 等组件的余量， yarn.nodemanager.resource.cpu-vcores 配 置为： 28 ，参数 executor-cores 的值为： 4 ，那么每个 node 的 executor 数 = 28/4 = 7, 假设集 群节点为 10 ，那么 num-executors = 7 * 10 = 70 3 ） executor-memory 该参数值 =yarn-nodemanager.resource.memory-mb / 每个节点的 executor 数量 如果 yarn 的参数配置为 100G ，那么每个 Executor 大概就是 100G/7 ≈ 14G, 同时要注意 yarn 配置中每个容器允许的最大内存是否匹配。 2.1.2 内存估算

 

➢ 估算 Other 内存 = 自定义数据结构 * 每个 Executor 核数 ➢ 估算 Storage 内存 = 广播变量 + cache/Executor 数量 ➢ 估算 Executor 内存 = 每个 Executor 核数 * （数据集大小 / 并行度） 2.1.3 调整内存配置项 一般情况下，各个区域的内存比例保持默认值即可。如果需要更加精确的控制内存分 配，可以按照如下思路： spark.memory.fraction= （估算 storage 内存 + 估算 Execution 内存） / （估算 storage 内存 + 估算 Execution 内存 + 估算 Other 内存）得到 spark.memory.storageFraction = （估算 storage 内存） / （估算 storage 内存 + 估算 Execution 内存） 代入公式计算： Storage 堆内内存 =(spark.executor.memory – 300MB)*spark.memory.fraction*spark.memory.storageFraction Execution 堆内内存 = (spark.executor.memory – 300MB)*spark.memory.fraction*(1-spark.memory.storageFraction) 2.1 持久化和序列化 2.1.1 RDD 1 、 cache

 

打成 jar ，提交 yarn 任务 , 并在 yarn 界面查看 spark ui spark-submit --master yarn --deploy-mode client --driver-memory 1g --num executors 3 --executor-cores 2 --executor-memory 6g --class com.atguigu.sparktuning.cache. RddCacheDemo spark-tuning-1.0-SNAPSHOT-jar with-dependencies.jar

 

通过 spark ui 看到， rdd 使用默认 cache 缓存级别，占用内存 2.5GB, 并且 storage 内存 还不够，只缓存了 29% 。 2 、 kryo+ 序列化缓存 使用 kryo 序列化并且使用 rdd 序列化缓存级别。使用 kryo 序列化需要修改 spark 的序 列化模式，并且需要进程注册类操作。 打成 jar 包在 yarn 上运行。 spark-submit --master yarn --deploy-mode client --driver-memory 1g --num executors 3 --executor-cores 2 --executor-memory 6g --class com.atguigu.sparktuning.cache. RddCacheKryoDemo spark-tuning-1.0-SNAPSHOT jar-with-dependencies.jar 查看 storage 所占内存，内存占用减少了 1083.6mb 并且缓存了 100% 。使用序列化缓 存配合 kryo 序列化，可以优化存储内存占用。

 

 

 

根据官网的描述，那么可以推断出，如果 yarn 内存资源充足情况下，使用默认级别 MEMORY_ONLY 是对 CPU 的支持最好的。但是序列化缓存可以让体积更小，那么当 yarn 内 存资源不充足情况下可以考虑使用 MEMORY_ONLY_SER 配合 kryo 使用序列化缓存。 2.1.2 DataFrame 、 DataSet 1 、 cache 提交任务，在 yarn 上查看 spark ui ，查看 storage 内存占用。内存使用 612.3mb 。 spark-submit --master yarn --deploy-mode client --driver-memory 1g --num executors 3 --executor-cores 2 --executor-memory 6g --class com.atguigu.sparktuning.cache. DatasetCacheDemo spark-tuning-1.0-SNAPSHOT jar-with-dependencies.jar 

 

DataSet 的 cache 默认缓存级别与 RDD 不一样，是 MEMORY_AND_DISK 。 源码： Dataset.cache() -> Dataset.persist() -> CacheManager.cacheQuery()

 

2 、序列化缓存 DataSet 类似 RDD ，但是并不使用 JAVA 序列化也不使用 Kryo 序列化，而是使用一种特 有的编码器进行序列化对象。

 

打成 jar 包，提交 yarn 。查看 spark ui,storage 占用内存 646.2mb 。 spark-submit --master yarn --deploy-mode client --driver-memory 1g --num executors 3 --executor-cores 2 --executor-memory 6g --class com.atguigu.sparktuning.cache. DatasetCacheSerDemo spark-tuning-1.0- SNAPSHOT-jar-with-dependencies.jar

 

和默认 cache 缓存级别差别不大。所以 DataSet 可以直接使用 cache 。 从性能上来讲， DataSet,DataFrame 大于 RDD ，建议开发中使用 DataSet 、 DataFrame 。 2.2 CPU 优化 2.2.1 CPU 低效原因 1 、概念理解 1 ）并行度 ➢ spark.default.parallelism

 

设置 RDD 的默认并行度，没有设置时，由 join 、 reduceByKey 和 parallelize 等转换决定。 ➢ spark.sql.shuffle.partitions 适用 SparkSQL 时， Shuffle Reduce 阶段默认的并行度，默认 200 。此参数只能控制 Spark sql 、 DataFrame 、 DataSet 分区个数。不能控制 RDD 分区个数

 

2 ）并发度：同时执行的 task 数 2 、 CPU 低效原因 1 ）并行度较低、数据分片较大容易导致 CPU 线程挂起 2 ）并行度过高、数据过于分散会让调度开销更多 Executor 接收到 TaskDescription 之后，首先需要对 TaskDescription 反序列化才能读取任 务信息，然后将任务代码再反序列化得到可执行代码，最后再结合其他任务信息创建 TaskRunner 。当数据过于分散，分布式任务数量会大幅增加，但每个任务需要处理的数据 量却少之又少，就 CPU 消耗来说，相比花在数据处理上的比例，任务调度上的开销几乎与 之分庭抗礼。显然，在这种情况下， CPU 的有效利用率也是极低的。 2.2.2 合理利用 CPU 资源 每个并行度的数据量（总数据量 / 并行度） 在（ Executor 内存 /core 数 /2, Executor 内存 /core 数）区间 提交执行： spark-submit --master yarn --deploy-mode client --driver-memory 1g --num executors 3 --executor-cores 4 --executor-memory 6g --class com.atguigu.sparktuning.partition.PartitionDemo spark-tuning-1.0- SNAPSHOT-jar-with-dependencies.jar 去向 yarn 申请的 executor vcore 资源个数为 12 个（ num-executors*executor-cores ） , 如 果不修改 spark sql 分区个数，那么就会像上图所展示存在 cpu 空转的情况。这个时候需要 合理控制 shuffle 分区个数。如果想要让任务运行的最快当然是一个 task 对应一个 vcore, 但 是一般不会这样设置，为了合理利用资源，一般会将并行度（ task 数）设置成并发度 （ vcore 数）的 2 倍到 3 倍。 修改参数 spark.sql.shuffle.partitions （默认 200 ） , 根据我们当前任务的提交参数有 12 个 vcore ，将此参数设置为 24 或 36 为最优效果： spark-submit --master yarn --deploy-mode client --driver-memory 1g --num executors 3 --executor-cores 4 --executor-memory 6g --class com.atguigu.sparktuning.partition.PartitionTuning spark-tuning-1.0- SNAPSHOT-jar-with-dependencies.jar