[SPARK]内存管理

[TOC]

文章目的：

• 经常遇到OOM，希望能合理的扩大内存来避免oom
• 合理利用内存空间进行缓存，来避免重复计算
• 理智的设置spark内存相关参数

1.spark内存的划分
2.不同内存的作用
3.用spark参数控制内存划分

内存划分

• Exector内存 = 堆内内存（On-heap） + 堆外内存（Off-heap）
  • 堆内内存 = 可用内存 + 预留内存
    • 可用内存 = 统一内存（Unified Memory） + 其它内存
      • 统一内存 = Storage内存 + Execution内存
  • 堆外内存 = Storage内存 + Execution内存

内存作用

Driver内存：

• 创建spark环境
• 提交spark作业
• 把作业解析为task
• 协调executor的任务调度

Exector内存

• 执行计算task，将结果返回给Driver
• 缓存rdd

Exector内存 - 堆内内存

• Storage内存：缓存rdd，缓存Broadcast对象
• Execution内存：Shuffle时占用的内存
• 其他内存：spark对象实例，用户自定义对象实例

Exector内存 - 堆外内存

• 堆内的Storage内存和Execution内存不够用时使用堆外内存
• 可以避免不必要内存开销，避免频繁GC扫描&回收

统一内存管理

saprk1.6以后引入统一内存管理机制，可以让Storage内存和Execution内存之间相互动态占用

• Storage内存和Execution内存都不够：存储到硬盘
• Execution内存被Storage内存占，可以将Storage内存占用的部分转移到硬盘，然后回收被占用内存，并且使用
• Storage内存被Execution内存占，被占用内存无法回收，等待被释放

Storage内存 - RDD缓存

缓存的意义：task启动之后要读取数据分区时，会先判断这个分区是否被持久化过。一个rdd要是多次参与计算，通过持久化就可以减少重复读取。

常见的cache默认是MEMORY_ONLY的级别，持久化到内存

rdd的持久化由Storage负责，Storage中以block以基础单位，每个partition对应一个block

rdd的持久化策略包括三个维度

• 位置：存在内存，硬盘，或者内存+硬盘，内存又可以选择堆内或者堆外
• 形式：是否序列化
• 备份：备份数量

Execution内存 - shuffle read/write

shuffle write

• map时使用普通排序，会执行外排ExternalSorter，内存中数据占用堆内Execution内存
• map时使用Tungsten，排序数据可以使用堆内或者堆外

shuffle read

• reduce聚合时，由Aggregator处理数据，占用堆内Execution内存
• 结果需要排序的，使用外排ExternalSorter，占用堆内Execution内存

spark内存相关参数

Executor内存参数

• 堆内内存
  • 堆内内存大小spark.executor.memory
• 堆外内存
  • 开启堆外内存：spark.memory.offHeap.enabled
  • 堆外内存大小：spark.memory.offHeap.size
  • 堆外内存Storage & Execution比例：spark.memory.storageFraction（default：0.5）
• 统一内存占堆内内存比例：spark.memory.fraction（default：0.6）
  • Storage & Execution比例：spark.storage.storageFraction（default：0.5）

---

参考：Spark 内存管理