数据序列化
内存调整
内存管理概述
确定内存消耗
调整数据结构
序列化RDD存储
垃圾收集调整
其他考虑因素
并行程度
减少任务的内存使用情况
广播大变量
数据位置
概要
由于大多数Spark计算的内存特性，Spark程序可能会受到群集中任何资源的瓶颈：CPU，网络带宽或内存。大多数情况下，如果数据适合内存，瓶颈就是网络带宽，但有时候，您还需要进行一些调整，例如以序列化形式存储RDD，以减少内存使用。本指南将介绍两个主要主题：数据序列化，这对于良好的网络性能至关重要，还可以减少内存使用和内存调整。我们还草拟了几个较小的主题。
数据序列化
序列化在任何分布式应用程序的性能中起着重要作用。将对象序列化或消耗大量字节的速度慢的格式将大大减慢计算速度。通常，这将是您应该优化Spark应用程序的第一件事。Spark旨在在便利性（允许您使用操作中的任何Java类型）和性能之间取得平衡。它提供了两个序列化库：
Java序列化：默认情况下，Spark使用JavaObjectOutputStream框架序列化对象，并且可以与您创建的任何实现的类一起使用java.io.Serializable。您还可以通过扩展来更紧密地控制序列化的性能java.io.Externalizable。Java序列化是灵活的，但通常很慢，并导致许多类的大型序列化格式。
Kryo序列化：Spark还可以使用Kryo库（版本2）更快地序列化对象。Kryo比Java序列化（通常高达10倍）明显更快，更紧凑，但不支持所有Serializable类型，并且需要您提前注册您将在程序中使用的类以获得最佳性能。
您可以通过使用SparkConf初始化作业 并调用来切换到使用Kryoconf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")。此设置配置序列化程序，不仅用于在工作节点之间混洗数据，还用于将RDD序列化到磁盘。Kryo不是默认值的唯一原因是因为自定义注册要求，但我们建议在任何网络密集型应用程序中尝试它。从Spark 2.0.0开始，我们在使用简单类型，简单类型数组或字符串类型对RDD进行混洗时，内部使用Kryo序列化程序。
Spark自动包含Kryo序列化程序，用于来自Twitter chill库的AllScalaRegistrar中涵盖的许多常用核心Scala类。
要使用Kryo注册自己的自定义类，请使用该registerKryoClasses方法。
valconf=newSparkConf().setMaster(...).setAppName(...)conf.registerKryoClasses(Array(classOf[MyClass1],classOf[MyClass2]))valsc=newSparkContext(conf)
所述KRYO文档描述了更先进的注册选项，如添加自定义序列的代码。
如果对象很大，则可能还需要增加spark.kryoserializer.buffer配置。此值必须足够大才能容纳要序列化的最大对象。
最后，如果你没有注册你的自定义类，Kryo仍然会工作，但它必须存储每个对象的完整类名，这是浪费。
内存调整
有三个方面的考虑在调整内存使用：该量的存储你的对象所使用的（你可能希望你的整个数据集，以适应在内存中），则成本访问这些对象，并且开销垃圾收集（如果你有高成交对象的条款）。
默认情况下，Java对象访问速度很快，但与其字段中的“原始”数据相比，可以轻松占用2-5倍的空间。这是由于以下几个原因：
每个不同的Java对象都有一个“对象头”，大约16个字节，并包含诸如指向其类的指针之类的信息。对于包含非常少数据的对象（比如一个Int字段），这可能比数据大。
JavaString在原始字符串数据上有大约40字节的开销（因为它们将它存储在Chars 的数组中并保留额外的数据，例如长度），并且由于UTF-16的内部使用而将每个字符存储为两个字节String编码。因此，10个字符的字符串很容易消耗60个字节。
公共集合类，例如HashMap和LinkedList，使用链接数据结构，其中每个条目都有一个“包装”对象（例如Map.Entry）。此对象不仅具有标题，还具有指向列表中下一个对象的指针（通常为8个字节）。
原始类型的集合通常将它们存储为“盒装”对象，例如java.lang.Integer。
本节将首先概述Spark中的内存管理，然后讨论用户可以采取的具体策略，以便在他/她的应用程序中更有效地使用内存。特别是，我们将描述如何确定对象的内存使用情况，以及如何通过更改数据结构或以序列化格式存储数据来改进它。然后我们将介绍调整Spark的缓存大小和Java垃圾收集器。
内存管理概述
Spark中的内存使用大致属于以下两种类别之一：执行和存储。执行内存是指用于在随机，连接，排序和聚合中进行计算的内存，而存储内存是指用于在集群中缓存和传播内部数据的内存。在Spark中，执行和存储共享一个统一的区域（M）。当没有使用执行内存时，存储可以获取所有可用内存，反之亦然。如有必要，执行可以驱逐存储，但仅限于总存储内存使用量低于某个阈值（R）。换句话说，R描述了M高速缓存块从未被驱逐的子区域。由于实施的复杂性，存储可能不会驱逐执行。
该设计确保了几种理想的特性。首先，不使用缓存的应用程序可以使用整个空间执行，从而避免不必要的磁盘溢出。其次，使用缓存的应用程序可以保留最小的存储空间（R），其中数据块不受驱逐。最后，这种方法为各种工作负载提供了合理的开箱即用性能，而无需用户内部划分内存的专业知识。
虽然有两种相关配置，但典型用户不需要调整它们，因为默认值适用于大多数工作负载：
spark.memory.fraction表示大小M为（JVM堆空间 - 300MB）的一小部分（默认值为0.6）。其余的空间（40％）保留用于用户数据结构，Spark中的内部元数据，以及在稀疏和异常大的记录的情况下防止OOM错误。
spark.memory.storageFraction将大小表示R为M（默认值0.5）的一小部分。R是M缓存块不受执行驱逐的存储空间。
spark.memory.fraction应该设置值，以便在JVM的旧版或“终身”代中舒适地适应这个堆空间量。有关详细信息，请参阅下面的高级GC调整讨论。
确定内存消耗
确定数据集所需内存消耗量的最佳方法是创建RDD，将其放入缓存中，然后查看Web UI中的“存储”页面。该页面将告诉您RDD占用多少内存。
为了估计特定对象的内存消耗，使用SizeEstimator的estimate方法这是用于与不同的数据布局试验修剪内存使用情况，以及确定的空间的广播变量将占据每个执行器堆的量是有用的。
调整数据结构
减少内存消耗的第一种方法是避免增加开销的Java功能，例如基于指针的数据结构和包装器对象。做这件事有很多种方法：
设计您的数据结构以优先选择对象数组和基本类型，而不是标准的Java或Scala集合类（例如HashMap）。该fastutil库提供方便的集合类基本类型是与Java标准库兼容。
尽可能避免使用包含大量小对象和指针的嵌套结构。
考虑使用数字ID或枚举对象而不是键的字符串。
如果RAM少于32 GB，请设置JVM标志-XX:+UseCompressedOops以使指针为四个字节而不是八个字节。您可以添加这些选项spark-env.sh。
序列化RDD存储
尽管进行了这种调整，但是当对象仍然太大而无法有效存储时，减少内存使用的一种更简单的方法是使用RDD持久性API中的序列化StorageLevels以序列化形式存储它们，例如。然后，Spark将每个RDD分区存储为一个大字节数组。由于必须动态地反序列化每个对象，因此以序列化形式存储数据的唯一缺点是访问时间较慢。如果您希望以序列化形式缓存数据，我们强烈建议使用Kryo，因为它导致比Java序列化（当然比原始Java对象）小得多的尺寸。MEMORY_ONLY_SER
垃圾收集调整
当您根据程序存储的RDD进行大量“流失”时，JVM垃圾回收可能会出现问题。（在读取RDD一次然后在其上运行许多操作的程序中通常不会出现问题。）当Java需要逐出旧对象以便为新对象腾出空间时，它需要遍历所有Java对象并查找未使用的。这里要记住的要点是垃圾收集的成本与Java对象的数量成正比，因此使用具有较少对象的数据结构（例如，Ints而不是a 的数组LinkedList）大大降低了这种成本。更好的方法是以序列化形式保存对象，如上所述：现在只有一个每个RDD分区的对象（一个字节数组）。在尝试其他技术之前，首先要尝试GC是一个问题是使用序列化缓存。
由于任务的工作内存（运行任务所需的空间量）与节点上缓存的RDD之间的干扰，GC也可能是一个问题。我们将讨论如何控制分配给RDD缓存的空间以缓解这种情况。
测量GC的影响
GC调优的第一步是收集有关垃圾收集发生频率和GC使用时间的统计信息。这可以通过添加-verbose:gc -XX:+PrintGCDetails -XX:+PrintGCTimeStampsJava选项来完成。（有关将Java选项传递给Spark作业的信息，请参阅配置指南。）下次运行Spark作业时，每次发生垃圾收集时，您都会看到工作日志中打印的消息。请注意，这些日志将位于群集的工作节点上（stdout位于其工作目录中的文件中），而不是位于驱动程序上。
高级GC调整
为了进一步调整垃圾收集，我们首先需要了解JVM中有关内存管理的一些基本信息：
Java堆空间分为Young和Old两个区域。Young代表意味着持有短命的物体，而老一代则用于生命周期较长的物体。
Young代进一步分为三个区域[Eden，Survivor1，Survivor2]。
垃圾收集过程的简化描述：当Eden已满时，在Eden上运行次要GC，并将从Eden和Survivor1中存活的对象复制到Survivor2。幸存者地区被交换。如果对象足够大或Survivor2已满，则将其移至Old。最后，当Old接近满时，将调用完整的GC。
Spark中GC调整的目标是确保只有长寿命的RDD存储在Old代中，并且Young代的大小足以存储短期对象。这将有助于避免完整的GC收集在任务执行期间创建的临时对象。可能有用的一些步骤是：
通过收集GC统计数据来检查是否有太多垃圾收集。如果在任务完成之前多次调用完整的GC，则意味着没有足够的内存可用于执行任务。
如果有太多次要集合但没有很多主要的GC，那么为Eden分配更多内存将会有所帮助。您可以将Eden的大小设置为高估每个任务所需的内存量。如果确定Eden的大小E，则可以使用该选项设置Young代的大小-Xmn=4/3*E。（按比例增加4/3也是为了解释幸存者地区使用的空间。）
在打印的GC统计信息中，如果OldGen接近满，则通过降低来减少用于缓存的内存量spark.memory.fraction; 缓存更少的对象比减慢任务执行速度更好。或者，考虑减小Young代的尺寸。-Xmn如果您按上述设置，这意味着降低。如果没有，请尝试更改JVMNewRatio参数的值。许多JVM将此默认为2，这意味着旧一代占据堆的2/3。它应该足够大，使得该分数超过spark.memory.fraction。
尝试使用G1GC垃圾收集器-XX:+UseG1GC。在垃圾收集成为瓶颈的某些情况下，它可以提高性能。请注意，大执行人堆大小，可能重要的是增加了G1区域大小与-XX:G1HeapRegionSize
例如，如果您的任务是从HDFS读取数据，则可以使用从HDFS读取的数据块的大小来估计任务使用的内存量。请注意，解压缩块的大小通常是块大小的2或3倍。因此，如果我们希望有3或4个任务的工作空间，并且HDFS块大小为128 MB，我们可以估计Eden的大小4*3*128MB。
监视垃圾收集所用频率和时间如何随新设置而变化。
我们的经验表明，GC调整的效果取决于您的应用程序和可用内存量。有更多的微调选项在线描述，但在较高的水平，管理完整的GC如何经常发生可以减少开销帮助。
可以通过设置spark.executor.extraJavaOptions作业的配置来指定执行程序的GC调整标志。
其他考虑因素
并行程度
除非您为每个操作设置足够高的并行度，否则将无法充分利用群集。Spark根据其大小自动设置要在每个文件上运行的“map”任务的数量（尽管可以通过可选参数来控制它SparkContext.textFile等），并且对于分布式“reduce”操作，例如groupByKey和reduceByKey，它使用最大的父级RDD的分区数量。您可以将并行级别作为第二个参数传递（请参阅spark.PairRDDFunctions文档），或者设置config属性spark.default.parallelism以更改默认值。通常，我们建议群集中每个CPU核心有2-3个任务。
减少任务的内存使用情况
有时候，你会得到一个OutOfMemoryError，不是因为你的RDD不适合内存，而是因为你的一个任务的工作集，比如其中一个reduce任务groupByKey，太大了。斯巴克的整理操作（sortByKey，groupByKey，reduceByKey，join，等）建立每个任务中的哈希表来进行分组，而这往往是大的。这里最简单的解决方法是增加并行度，以便每个任务的输入集更小。Spark可以有效地支持短至200毫秒的任务，因为它可以在多个任务中重用一个执行程序JVM，并且它具有较低的任务启动成本，因此您可以安全地将并行度提高到超过群集中的核心数。
广播大变量
使用 可用的广播功能SparkContext可以大大减少每个序列化任务的大小，以及通过群集启动作业的成本。如果您的任务使用其中的驱动程序中的任何大对象（例如静态查找表），请考虑将其转换为广播变量。Spark打印主服务器上每个任务的序列化大小，因此您可以查看它以确定您的任务是否过大; 一般来说，大于约20 KB的任务可能值得优化。
数据位置
数据位置可能会对Spark作业的性能产生重大影响。如果数据和在其上运行的代码在一起，那么计算往往很快。但是如果代码和数据是分开的，那么必须移动到另一个。通常，将序列化代码从一个地方运送到另一个地方比一块数据更快，因为代码大小比数据小得多。Spark围绕数据局部性的一般原则构建其调度。
数据位置是数据与处理它的代码的接近程度。根据数据的当前位置，有多个级别的位置。从最近到最远的顺序：
PROCESS_LOCAL数据与正在运行的代码位于同一JVM中。这是最好的地方
NODE_LOCAL数据在同一节点上。示例可能位于同一节点上的HDFS中，也可能位于同一节点上的另一个执行程序中。这比PROCESS_LOCAL因为数据必须在进程之间传输要慢一些
NO_PREF可以从任何地方快速访问数据，并且没有位置偏好
RACK_LOCAL数据位于同一机架的服务器上。数据位于同一机架上的不同服务器上，因此需要通过网络发送，通常通过单个交换机
ANY数据在网络上的其他位置，而不在同一个机架中
Spark更喜欢在最佳位置级别安排所有任务，但这并非总是可行。在任何空闲执行程序上没有未处理数据的情况下，Spark会切换到较低的位置级别。有两种选择：a）等待繁忙的CPU释放以启动同一服务器上的数据任务，或b）立即在需要移动数据的较远位置启动新任务。
Spark通常会做的是等待繁忙的CPU释放的希望。一旦超时到期，它就开始将数据从远处移动到空闲CPU。每个级别之间的回退等待超时可以单独配置，也可以在一个参数中一起配置; 有关详细信息，请参阅配置页面spark.locality上的 参数。如果您的任务很长并且看不到位置，则应该增加这些设置，但默认情况通常很有效。
概要
这是一个简短的指南，指出在调优Spark应用程序时应该了解的主要问题 - 最重要的是，数据序列化和内存调整。对于大多数程序，切换到Kryo序列化并以序列化形式保存数据将解决最常见的性能问题。请随时在Spark邮件列表中询问有关其他调优最佳做法的信息。