spark学习之资源调度

Posted 2022-11-30 柳小葱

💌前一篇博客中，我们学习了spark代码的执行过程，其中涉及到了逻辑执行计划和物理执行计划，今天我们主要来学习spark的资源调度的内容，对往期内容感兴趣的同学可以参考如下内容👇:

• 上一篇: spark学习之执行计划explain.
• hadoop专题: hadoop系列文章.
• spark专题: spark系列文章.
• flink专题: Flink系列文章.

🐡说到spark的资源调度，我们主要关心的是执行计算任务节点的资源调度的设置，如单个Executor的核数、单个节点Executor的个数、单个Executor的内存大小等，接下来将会对这些进行详细的介绍。

本文目录

• 1. 总体资源
• • 1.1 Executor的核数
  • 1.2 Executor的个数
  • 1.3 Executor的内存
• 2. 内存资源
• 3. 持久化和序列化
• • 3.1 RDD
  • 3.2 Dataset和Dataframe
• 4. CPU资源
• • 4.1 并行度
  • 4.2 并发度
  • 4.3 合理利用CPU
• 5. 总结
• 6. 参考文章

1. 总体资源

我们这里假设单台服务器的内存大小为128g,32个线程。

1.1 Executor的核数

executor-cores的个数决定任务的并行度，也就是同时执行task的个数，一般情况下，executor-cores的个数设置为3～6个之间比较合适。

1.2 Executor的个数

这里的Executor的个数是指整个集群的Executor的个数个数，所以：
$$总的executor个数=每个节点的executor数\ast work节点数$$
那么单个节点的Executor个数如何计算，单个节点所能接受的最大Executor个数和yarn给的资源和Executor的核数有关，关系如下：

$$每个node的executor数=\frac{单节点yarn总核数}{每个executor的最大cpu核数}$$

考虑到系统基础服务和 HDFS 等组件的余量，yarn的nodemanager资源配置为：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

1.3 Executor的内存

每个Executor的内存的大小也和yarn分配的资源有关系：
$$executor内存大小=\frac{yarn总内存大小}{每个节点的executor数量}$$
例如：单个节点的 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，一般情况yarn默认配置的每个容器的内存大小范围为[1g,8g].

2. 内存资源

我们先来看一下spark的内存划分：

• storage空间：用来存放cache、persist和广播变量的缓存数据 。（Storage 内存 = 广播变量 + cache/Executor 数量）
• executor空间：主要负责执行计算过程中的内存开销，比如shuffle过程需要的内存。（Executor 内存 = 每个 Executor 核数 * （数据集大小/并行度））
• other空间：自定义的数据结构和元数据，（Other 内存 = 自定义数据结构*每个 Executor 核数）

3. 持久化和序列化

我们先来介绍一下持久化和序列化在spark中的含义：

• 持久化：在不同操作间，持久化（或缓存）一个数据集在内存中。当你持久化一个RDD，每一个结点都将把它的计算分块结果保存在内存中，并在对此数据集（或者衍生出的数据集）进行的其它动作中重用。这将使得后续的动作（action）变得更加迅速（通常快10倍）。
• 序列化：序列化是将对象的状态信息转换为可以存储或传输的形式的过程，主要目的有两个：1. 存储到磁盘； 2. 通过网络进行传输；而在spark中，算子相关的操作在Excutor上执行，算子之外的代码在Driver端执行，在执行有些算子的时候，需要只用到Driver里面定义的数据，这就涉及到了跨进程或着跨节点之间的通讯，所以要求传递给Excutor中的数组所属的类型必须实现Serializable接口。

3.1 RDD

我们使用rdd持久化时，默认 cache 缓存级别（memory_only），如果此时存储内存较小，可以采用kryo+序列化缓存，可以优化存储内存占用。

3.2 Dataset和Dataframe

我们使用dataset持久化时，默认cache缓存级别（memory_and_disk）,即内存不够磁盘来凑，如果采用序列化的方式，实际效果和未序列化差别不大，因为Dataset和Dataframe是被优化过的rdd，所以开发中直接使用cache缓存即可。

总体来说，如果使用RDD进行持久化，建议采用kryo序列化+持久化的操作，如果使用Dataset和Dataframe直接使用cache持久化即可。从性能上来讲，DataSet,DataFrame 优于 RDD，建议开发中使用 DataSet、DataFrame。

4. CPU资源

首先来了解几个非常容易搞混的概念：

4.1 并行度

并行度指的就是task的数量，或者说分区数量

• rdd的控制方法：spark.default.parallelism，根据算子计算决定
• sql的控制方法：spark.sql.shuffle.partitions，默认200

4.2 并发度

并发度指的可同时执行的最大task数量，那这和并行度有何区别，首先并行度是指一个任务需要多少个分区，比如groupby之后产生了200个分区（200task），但是我们的executor只有2个核，即我们最多同时执行2个task，那么这个任务的并发度就是2，并行度是200。每次执行2个task，执行完后换上下一个task，一直到执行完200个。

4.3 合理利用CPU

下面两种情况会导致CPU效率过低：

• 并行度较低、数据分片较大容易导致 CPU 线程挂起（处理数据量大）
• 并行度过高、数据过于分散会让调度开销更多（task数量过多）

根据经验：一般会将并行度（task 数）设置成并发度 （vcore 数）的 2 倍到 3 倍。

这一部分的详细内容可参考: spark学习之并行度、并发、core数和分区的关系.

5. 总结

本博客主要介绍了spark运行过程中的一些资源调度的情况，以及如何配置资源调度使spark的运行效率得到提高，主要从内存、持久化、cpu资源等方面进行了介绍。

6. 参考文章

• 《尚硅谷大数据技术之 Spark 调优》
• 《spark权威指南》
• 链接: spark持久化.
• 链接: 序列化的定义.