Spark on Yarn资源调优

前言

Spark是专为大规模数据处理而设计的快速通用的计算引擎，具有速度快、支持多语言、移植性高的特点。而移植性高的体现就在于Spark的部署方式有多种模式，如：本地local、Standalone、Apache Mesos、Hadoop YARN、EC2、Mesos、K8S等等。

背景

一般公司的大数据项目基础设施都是建立在hdfs之上，所以在大部分的公司里，Spark都是跑在Yarn之上，yarn作为一个资源调度器并不能感知Spark作业具体需要分配多少资源，那就需要程序员在提交Spark作业的时候，设置作业所需要的资源向Yarn申请。
资源参数设置的不合理，可能会导致没有充分利用集群资源，作业运行会极其缓慢；或者设置的资源过大，队列没有足够的资源来提供，进而导致各种异常。总之，无论是哪种情况，都会导致Spark作业的运行效率低下，甚至根本无法运行。因此我们必须对Spark作业的资源使用原理有一个清晰的认识，并知道在Spark作业运行过程中，有哪些资源参数是可以设置的，以及如何设置合适的参数值。

spark的yarn-client提交流程

1. 在client端启动Driver进程，初始化作业，解析程序，初始化两个DAGScheduler，TaskScheduler.
   – 初始化作业： 判断路径是否存在，权限校验等
   – DAGScheduler将程序的执行流程解析成DAG图，并划分阶段，根据阶段内的分区初始化Task
   – TaskScheduler接收Task，等待分配Task给executor
2. Driver会向ResourceManager,申请资源，想要启动该应用程序的AppMaster
3. ResourceManager会分配一个节点，来运行AppMaster，由NodeManager负责真正分配资源运行AppMaster
4. AppMaster会向ResourceManager申请整个程序所需要的其他资源，准备运行executor进程
5. 在各个节点上运行的executor会向Driver进行反向注册，要求分配任务
6. TaskScheduler将Task分配到不同的executor，并监控实时状态，executor开始执行任务，
7. TaskScheduler收到executor执行完的信息后，表示整个应用程序完成，会向ResouceManager申请注销

spark的yarn-cluster提交流程

1. client会首先向ResourceManager申请资源，要求启动AppMaster进程
2. ResouceManager会分配一个节点，由NodeManager来运行AppMaster,并在AppMaster所在节点运行Driver进程
   Driver进程的作用：，初始化作业，解析程序，初始化两个DAGScheduler，TaskScheduler.
   – 初始化作业： 判断路径是否存在，权限校验等
   – DAGScheduler将程序的执行流程解析成DAG图，并划分阶段，根据阶段内的分区初始化Task
   – TaskScheduler接收Task，等待分配Task给executor
3. AppMaster会向ResourceManager申请整个程序所需要的其他资源，准备运行executor进程
4. 在各个节点上运行的executor会向Driver进行反向注册，要求分配任务
5. TaskScheduler将Task分配到不同的executor，并监控实时状态，executor开始执行任务，
6. TaskScheduler收到executor执行完的信息后，表示整个应用程序完成，会向ResouceManager申请注销

我们使用spark-submit（spark-sql，spark-shell我们都可以看做是spark-submit，这个两个脚本底层就是调用了spark-submit脚本）提交一个Spark作业之后，这个作业就会启动一个对应的Driver进程。根据你使用的部署模式（deploy-mode）不同，Driver进程可能在本地启动（client模式），也可能在集群中某个工作节点上启动（cluster模式）。Driver进程本身会根据我们设置的参数，占有一定数量的内存和CPU core。而Driver进程要做的第一件事情，就是向集群管理器申请运行Spark作业需要使用的资源，这里的资源指的就是Executor进程。YARN集群管理器会根据我们为Spark作业设置的资源参数，在各个工作节点上，启动一定数量的Executor进程，每个Executor进程都占有一定数量的memory和CPU core。
资源参数调优
以下参数就是Spark中主要的资源参数，每个参数都对应着作业运行原理中的某个部分，我这里也只能结合公司目前的情况给出一个相对靠谱的参数设置（这个不是绝对的，需要根据不同作业情况调整）
num-executors
参数说明：该参数用于设置Spark作业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照你的设置来在集群的各个工作节点上，启动相应数量的Executor进程。这个参数非常之重要，如果不设置的话，默认只会给你启动少量的Executor进程，此时你的Spark作业的运行速度是非常慢的。
参数调优建议：每个Spark作业的运行一般设置50100个左右的Executor进程比较合适，当然数据量不大的情况下设置2050个也是可以的，设置太少或太多的Executor进程都不行。设置的太少，无法充分利用集群资源；设置的太多的话，很可能会充分考验运维能力，再多的话yarn无法满足程序会挂掉。
executor-memory
参数说明：该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关联。 　
参数调优建议：根据公司线上情况，每个Executor进程的内存设置4G较为合适。具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列的最大内存限制是多少，num-executors乘以executor-memory，就代表了你的Spark作业申请到的总内存量（也就是所有Executor进程的内存总和），这个量是不能超过队列的最大内存量的（这个量可以上Hadoop Yarn的界面查询）。此外，如果跟团队里其他人共享这个资源队列，那么申请的总内存量最好不要超过资源队列最大总内存的1/3，避免你自己的Spark作业占用了队列过多的资源，导致别的同事的作业无法运行。
executor-cores
参数说明：该参数用于设置每个Executor进程的CPU core数量。这个参数决定了每个Executor进程并行执行task线程的能力。因为每个CPU core同一时间只能执行一个task线程，因此每个Executor进程的CPU core数量越多，越能够快速地执行完分配给自己的所有task线程。
参数调优建议：根据公司集群规模Executor的CPU core数量设置为2~3个较为合适。同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core限制是多少，再依据设置的Executor数量，来决定每个Executor进程可以分配到几个CPU core。同样建议，如果是跟他人共享这个队列，那么num-executors * executor-cores不要超过队列总CPU core的1/3左右比较合适，也是避免影响其他同事的作业运行
driver-memory
参数说明：该参数用于设置Driver进程的内存。
参数调优建议：默认为1G，如果使用spark-sql没有去写一些特别特别特别特别复杂的sql，我个人认为这个参数可以不调！！一般这个参数是因为stage（一个shuffle就会分出一个stage）过多才需要调整，按照现有的业务逻辑基本是不需要的

PS : 一般Spark作业这4个参数是最最重要的参数，也是最容易理解的，最直观可以看出性能差距的。
其他还有一些参数比如spark.storage.memoryFraction， spark.shuffle.memoryFraction等等，这些参数是关于Spark内存管理调优，Spark 2.x以后内存管理的模型已经改成统一管理模型（与上图有些出入），对这些参数的调优有些淡化，但是如果针对某个业务场景程序员非常了解其execution与cache之间的比例，适当调整参数也可以起到意想不到的性能提升！！