1. spark submit參數介紹
你可以通過
spark-submit --help或者
spark-shell --help來查看這些參數。
使用格式:
./bin/spark-submit \ --class <main-class> \ --master <master-url> \ --deploy-mode <deploy-mode> \ --conf <key>=<value> \ # other options <application-jar> \ [application-arguments]
參數說明
--master MASTER_URL 如spark://host:port, mesos://host:port, yarn, yarn-cluster,yarn-client, local --deploy-mode DEPLOY_MODE Client或者master，默認是client --class CLASS_NAME 應用程序的主類 --name NAME 應用程序的名稱 --jars JARS 逗號分隔的本地jar包，包含在driver和executor的classpath下 --packages 包含在driver和executor的classpath下的jar包逗號分隔的”groupId:artifactId：version”列表 --exclude-packages 用逗號分隔的”groupId:artifactId”列表 --repositories 逗號分隔的遠程倉庫 --py-files PY_FILES 逗號分隔的”.zip”,”.egg”或者“.py”文件，這些文件放在python app的PYTHONPATH下面 --files FILES 逗號分隔的文件，這些文件放在每個executor的工作目錄下面 --conf PROP=VALUE 固定的spark配置屬性，默認是conf/spark-defaults.conf --properties-file FILE 加載額外屬性的文件 --driver-memory MEM Driver內存，默認1G --driver-java-options 傳給driver的額外的Java選項 --driver-library-path 傳給driver的額外的庫路徑 --driver-class-path 傳給driver的額外的類路徑 --executor-memory MEM 每個executor的內存，默認是1G --proxy-user NAME 模擬提交應用程序的用戶 --driver-cores NUM Driver的核數，默認是1。這個參數僅僅在standalone集群deploy模式下使用 --supervise Driver失敗時，重啟driver。在mesos或者standalone下使用 --verbose 打印debug信息 --total-executor-cores NUM 所有executor總共的核數。僅僅在mesos或者standalone下使用 --executor-core NUM 每個executor的核數。在yarn或者standalone下使用 --driver-cores NUM Driver的核數，默認是1。在yarn集群模式下使用 --queue QUEUE_NAME 隊列名稱。在yarn下使用 --num-executors NUM 啟動的executor數量。默認為2。在yarn下使用
2. Examples
#EX01 Run application locally on 8 cores(本地模式8核) ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master local[8] \ /path/to/examples.jar \ 100 #EX02 Run on a Spark standalone cluster in client deploy mode(standalone client模式) ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master spark://207.184.161.138:7077 \ --executor-memory 20G \ --total-executor-cores 100 \ /path/to/examples.jar \ 1000 #EX03 Run on a Spark standalone cluster in cluster deploy mode with supervise(standalone cluster模式使用supervise) ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master spark://207.184.161.138:7077 \ --deploy-mode cluster \ --supervise \ --executor-memory 20G \ --total-executor-cores 100 \ /path/to/examples.jar \ 1000 #EX04 Run on a YARN cluster(YARN cluster模式) export HADOOP_CONF_DIR=XXX ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master yarn \ --deploy-mode cluster \ # can be client for client mode --executor-memory 20G \ --num-executors 50 \ /path/to/examples.jar \ 1000 #EX05 Run on a Mesos cluster in cluster deploy mode with supervise(Mesos cluster模式使用supervise) ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master mesos://207.184.161.138:7077 \ --deploy-mode cluster \ --supervise \ --executor-memory 20G \ --total-executor-cores 100 \ http://path/to/examples.jar \ 1000
3. spark on yarn
所謂的Spark資源參數調優，其實主要就是對Spark運行過程中各個使用資源的地方，通過調節各種參數，來優化資源使用的效率，從而提升Spark作業的執行性能。
以下參數就是Spark中主要的資源參數，每個參數都對應着作業運行原理中的某個部分，我們同時也給出了一個調優的參考值。
3.1 num-executors
參數說明：
該參數用於設置Spark作業總共要用多少個Executor進程來執行。Driver在向YARN集群管理器申請資源時，YARN集群管理器會盡可能按照你的設置來在
集群的各個工作節點上，啟動相應數量的Executor進程。這個參數非常之重要，如果不設置的話，默認只會給你啟動少量的Executor進程，此時你的
Spark作業的運行速度是非常慢的。
參數調優建議：
每個Spark作業的運行一般設置50~100個左右的Executor進程比較合適，設置太少或太多的Executor進程都不好。設置的太少，無法充分利用集群資源；
設置的太多的話，大部分隊列可能無法給予充分的資源。
3.2 executor-memory
參數說明：
該參數用於設置每個Executor進程的內存。Executor內存的大小，很多時候直接決定了Spark作業的性能，而且跟常見的JVM OOM異常，也有直接的關聯。
參數調優建議：
每個Executor進程的內存設置4G~8G較為合適。但是這只是一個參考值，具體的設置還是得根據不同部門的資源隊列來定。可以看看自己團隊的資源隊列
的最大內存限制是多少，num-executors乘以executor-memory，是不能超過隊列的最大內存量的。此外，如果你是跟團隊里其他人共享這個資源隊列，
那么申請的內存量最好不要超過資源隊列最大總內存的1/3~1/2，避免你自己的Spark作業占用了隊列所有的資源，導致別的同學的作業無法運行。
3.3 executor-cores
參數說明：
該參數用於設置每個Executor進程的CPU core數量。這個參數決定了每個Executor進程並行執行task線程的能力。因為每個CPU core同一時間只能執行一個
task線程，因此每個Executor進程的CPU core數量越多，越能夠快速地執行完分配給自己的所有task線程。
參數調優建議：
Executor的CPU core數量設置為2~4個較為合適。同樣得根據不同部門的資源隊列來定，可以看看自己的資源隊列的最大CPU core限制是多少，再依據設置的
Executor數量，來決定每個Executor進程可以分配到幾個CPU core。同樣建議，如果是跟他人共享這個隊列，那么num-executors * executor-cores不要超過
隊列總CPU core的1/3~1/2左右比較合適，也是避免影響其他同學的作業運行。
3.4 driver-memory
參數說明：
該參數用於設置Driver進程的內存。
參數調優建議：
Driver的內存通常來說不設置，或者設置1G左右應該就夠了。唯一需要注意的一點是，如果需要使用collect算子將RDD的數據全部拉取到Driver上進行處理，
那么必須確保Driver的內存足夠大，否則會出現OOM內存溢出的問題。
3.5 spark.default.parallelism
參數說明：
該參數用於設置每個stage的默認task數量。這個參數極為重要，如果不設置可能會直接影響你的Spark作業性能。
參數調優建議：
Spark作業的默認task數量為500~1000個較為合適。很多同學常犯的一個錯誤就是不去設置這個參數，那么此時就會導致Spark自己根據底層HDFS的block數量
來設置task的數量，默認是一個HDFS block對應一個task。通常來說，Spark默認設置的數量是偏少的（比如就幾十個task），如果task數量偏少的話，就會
導致你前面設置好的Executor的參數都前功盡棄。試想一下，無論你的Executor進程有多少個，內存和CPU有多大，但是task只有1個或者10個，那么90%的
Executor進程可能根本就沒有task執行，也就是白白浪費了資源！因此Spark官網建議的設置原則是，設置該參數為num-executors * executor-cores的2~3倍
較為合適，比如Executor的總CPU core數量為300個，那么設置1000個task是可以的，此時可以充分地利用Spark集群的資源。
3.6 spark.storage.memoryFraction
參數說明：
該參數用於設置RDD持久化數據在Executor內存中能占的比例，默認是0.6。也就是說，默認Executor 60%的內存，可以用來保存持久化的RDD數據。根據你選擇
的
不同的持久化策略，如果內存不夠時，可能數據就不會持久化，或者數據會寫入磁盤。
參數調優建議：
如果Spark作業中，有較多的RDD持久化操作，該參數的值可以適當提高一些，保證持久化的數據能夠容納在內存中。避免內存不夠緩存所有的數據，導致數據只
能寫入磁盤中，降低了性能。但是如果Spark作業中的
shuffle類操作比較多，而持久化操作比較少，那么這個參數的值適當降低一些比較合適。此外，如果發現
作業由於頻繁的gc導致運行緩慢（通過spark web ui可以觀察到作業的gc耗時），意味着task執行用戶代碼的內存不夠用，那么同樣建議調低這個參數的值。
3.7 spark.shuffle.memoryFraction
參數說明：
該參數用於設置shuffle過程中一個task拉取到上個stage的task的輸出后，進行聚合操作時能夠使用的Executor內存的比例，默認是0.2。也就是說，Executor
默認只有20%的內存用來進行該操作。shuffle操作在進行聚合時，如果發現使用的內存超出了這個20%的限制，那么多余的數據就會溢寫到磁盤文件中去，此時
就會極大地降低性能。
參數調優建議：
如果Spark作業中的
RDD持久化操作較少，shuffle操作較多時，建議降低持久化操作的內存占比，提高shuffle操作的內存占比比例，避免shuffle過程中數據過多
時內存不夠用，必須溢寫到磁盤上，降低了性能。此外，如果發現作業由於頻繁的gc導致運行緩慢，意味着task執行用戶代碼的內存不夠用，那么同樣建議調低
這個參數的值。
資源參數的調優，沒有一個固定的值，需要根據自己的實際情況（包括Spark作業中的shuffle操作數量、RDD持久化操作數量以及spark web ui中顯示的作業gc情況），
合理地設置上述參數。
資源參數參考示例
以下是一份spark-submit命令的示例，大家可以參考一下，並根據自己的實際情況進行調節：
./bin/spark-submit \ --master yarn-cluster \ --num-executors 100 \ --executor-memory 6G \ --executor-cores 4 \ --driver-memory 1G \ --conf spark.default.parallelism=1000 \ --conf spark.storage.memoryFraction=0.5 \ --conf spark.shuffle.memoryFraction=0.3 \
reference