spak运行原理&参数调优

一、spark运行原理

参考：

Spark资源参数调优参数_TURING.DT-CSDN博客_spark 资源参数

Hive on Spark调优_窗外的屋檐-CSDN博客_spark.executor.instances

二、参数调优

1、必调参数

num-executors/spark.executor.instances

executor-memory/spark.executor.memory

executor-cores/spark.executor.cores

.set("spark.sql.hive.mergeFiles", "true")  // 合并小文件

2、锦上添花

1、driver-memory：使用collect算子将RDD的数据全部拉取到Driver上进行处理，那么必须确保Driver的内存足够大，否则会出现OOM内存溢出的问题

2、spark.storage.memoryFraction：RDD持久化数据在Executor内存中能占的比例，默认是0.6。也就是说，默认Executor 60%的内存，可以用来保存持久化的RDD数据。

1）有较多的RDD持久化操作，该参数的值可以适当提高一些，保证持久化的数据能够容纳在内存中。避免内存不够缓存所有的数据，导致数据只能写入磁盘中，降低了性能。

2）但是如果Spark作业中的shuffle类操作比较多，而持久化操作比较少，那么这个参数的值适当降低一些比较合适。

3、spark.default.parallelism：num-executors * executor-cores的2~3倍较为合适;

该参数用于设置每个stage的默认task数量。

5、spark.driver.maxResultSize

collect操作，shuffle操作的时候要调大此参数

6、实际初始化的executor 数量

涉及到的参数：

  --conf spark.dynamicAllocation.initialExecutors=150 \
  --conf spark.dynamicAllocation.maxExecutors=1000 \
  --conf spark.executor.instances=500 \

如果设置了“--num-executors”（或spark.executor.instances，最终的初始executor数量为：max(minExecutors, initialExecutor, num-executors/4)