spark history网络流量占用高问题记录

生产环境遇到一台机器网络流量占用高告警

由于监控只有机器总的网络流量，没有具体进程的
于是只能登陆服务器，安装nethogs：yum install nethogs

然后执行nethogs命令查看进程流量

观察到主要是spark history server这个进程占用流量高(最高达到800M/s)
但是我们spark任务其实不是很多，且大多是离线，占用这么高有点不太正常

查看spark history server日志：

发现每间隔10-30秒就会读取spark2-history目录下的文件，且每次读取的都是相同的几个文件

抽取几个文件查看：

大小基本都在9G以上

spark版本使用的是2.3.1
结合日志打印和代码，发现spark history server会定期(spark.history.fs.update.interval配置，默认10s)执行checkForLogs逻辑，检查目录下的文件是否有变动，对有变动的文件进行解析及事件回放

代码入口在FsHistoryProvider.startPolling()方法中

这里由于是spark streaming任务，且spark2不支持history文件滚动生成，文件大小会一直往上增长，每次全量读取文件，会带来比较严重的性能开销。

这里建议最好升级到spark3并开启日志滚动输出，见我之前的文章：https://blog.csdn.net/li281037846/article/details/129302902
要是不方便升级，那就最好定期对spark streaming任务进行重启，避免日志文件一直增长

还有就是把spark.history.fs.update.interval配置的值调大一点(牺牲history的实时性)，降低读取日志文件的频率