起因

新接觸一個spark集群，明明集群資源（core,內(nèi)存）還有剩余，但是提交的任務卻申請不到資源。

分析

環(huán)境

spark 2.2.0 基于yarn集群

參數(shù)

spark任務提交參數(shù)中最重要的幾個：

spark-submit --master yarn --driver-cores 1 --driver-memory 5G --executor-cores 2 --num-executors 16 --executor-memory 4G

driver-cores driver端核數(shù) driver-memory driver端內(nèi)存大小 executor-cores 每個執(zhí)行器的核數(shù) num-executors 此任務申請的執(zhí)行器總數(shù) executor-memory 每個執(zhí)行器的內(nèi)存大小

那么，該任務將申請多少資源呢？

申請的執(zhí)行器總內(nèi)存數(shù)大小=num-executor * (executor-memory +spark.yarn.executor.memoryOverhead) = 16 * (4 + 2) = 96 申請的總內(nèi)存=執(zhí)行器總內(nèi)存+dirver端內(nèi)存=101 申請的總核數(shù)=num-executor*executor-core + yarn.AM(默認為1)=33 運行的總?cè)萜?contanier) = num-executor + yarn.AM(默認為1) = 17

所以這里還有一個關鍵的參數(shù) spark.yarn.executor.memoryOverhead

這個參數(shù)是什么意思呢？ 堆外內(nèi)存，每個executor歸spark 計算的內(nèi)存為executor-memory，每個executor是一個單獨的JVM，這個JAVA虛擬機本向在的內(nèi)存大小即為spark.yarn.executor.memoryOverhead，不歸spark本身管理。在spark集群中配置。

也可在代碼中指定 spark.set("spark.yarn.executor.memoryOverhead", 1)

這部份實際上是存放spark代碼本身的究竟，在executor-memory內(nèi)存不足的時候也能應應急頂上。

問題所在

假設一個節(jié)點16G的內(nèi)存，每個executor-memory=4，理想情況下4x4=16，那么該節(jié)點可以分配出4個節(jié)點供spark任務計算所用。 1.但應考慮到spark.yarn.executor.memoryOverhead. 如果spark.yarn.executor.memoryOverhead=2，那么每個executor所需申請的資源為4+2=6G，那么該節(jié)點只能分配2個節(jié)點，剩余16-6x2=4G的內(nèi)存，無法使用。

如果一個集群共100個節(jié)點，用戶將在yarn集群主界面看到，集群內(nèi)存剩余400G,但一直無法申請到資源。

2.core也是一樣的道理。

很多同學容易忽略spark.yarn.executor.memoryOverhead此參數(shù)，然后陷入懷疑，怎么申請的資源對不上，也容易陷入優(yōu)化的誤區(qū)。

優(yōu)化結(jié)果

最終優(yōu)化結(jié)果，將spark.yarn.executor.memoryOverhead調(diào)小，并根據(jù)node節(jié)點資源合理優(yōu)化executor-memory,executor-core大小，將之前經(jīng)常1.6T的內(nèi)存占比，降到1.1左右。并能較快申請到資源。

以上就是spark任務提交參數(shù)的優(yōu)化記錄分析的詳細內(nèi)容，更多關于spark任務提交參數(shù)優(yōu)化的資料請關注腳本之家其它相關文章！

最新評論