Spark SQL调优实战

1、新添参数说明

// Driver和Executor内存和CPU资源相关配置

--是否开启executor动态分配，开启时spark.executor.instances不生效

spark.dynamicAllocation.enabled=false

--配置Driver内存

spark.dirver.memory=5g

--driver最大结果大小，设置为0代表不限制，driver在拉取结果时，如果结果超过阈值会报异常

spark.driver.maxResultSize=0

--配置executor内存和cpu

spark.executor.memory=5g

spark.executor.cores=8

--executor额外内存，executor内存包括三个部分，heap、off-heap以及overhead,heap和off-heap用于存储executor上任务的执行结果块以及用作执行内存，overhead作为额外内存用于存储虚拟机的开销

spark.yarn.executor.memoryOverhead=6120

--配置executor实例个数，此种方式是固定资源分配方式

spark.executor.instances=25

--是否开启executor堆外内存，以及堆外内存的的大小

spark.memory.offHeap.enabled=true

spark.memory.offHeap.size=2048mb

--spark内存既可以用于存储也可以用于计算，计算内存和存储内存是软边界，这个参数用于设置存储内存的比例

spark.memory.fraction=0.4

// 序列化器相关配置，spark默认采用java序列化器,也提供kryoserializer的实现，后者的性能是前者的十倍，

spark.kryoserializer.buffer.max=2047mb

spark.kryoserializer.buffer=16384kb

//中间结果网络传输压缩，缓解内存和网络传输压力

spark.shuffle.compress=true

spark.rdd.compress=true

//开启spark任务推断，优化分区任务执行时间不均衡问题，避免严重拖后腿任务

spark.speculation=true

spark.speculation.interval=60s

spark.speculation.multiplier=1.3

spark.speculation.quantile=0.99

//网络通信超时和失败重试相关参数，避免网络质量差或不稳定导致的任务失败

spark.network.timeout=300

spark.shuffle.io.maxRetries=30

spark.shuffle.io.retryWait=10s

//spark对分区结果的大小做了2G的限制，超出了就会报too large dataframe异常，这时需要增加shuffle分区，缓解数据倾斜，但是如果数据本身是倾斜了，下面参数治标不治本，默认300

spark.sql.shuffle.partitions=500

//设置自动广播阈值，在大表join小表时可以将小表作为广播变量，存在内存中，提升join的性能

spark.sql.autoBroadcastJoinThreshold=-1

1. 参数影响

• 什么时候需要将spark.dynamicAllocation.enable设置为false?

回答：spark默认按照128m来对文件进行分区，如果文件比较大，比如40G，分区多达300多个，采用动态分配策略，可能导致占用太多的集群资源，使得集群崩溃，如下对比图。

图1: 采用动态分配策略，executor实例数高达115个(第116另Driver）

图2：采用静态分配策略，executor实例数固定为25个

• spark.memory.offHeap.enabled和spark.memory.offHeap.size的影响？

回答：在运行百万级别job_trsf_dim_chl_cust_spark_df任务时，使用默认配置参数，报直接内存不足异常，导致作业运行失败，如下图：

图3: 堆外内存不足导致任务运行失败

添加以上参数后作业运行成功。

• spark.kryoserializer.buffer大小的调整？

回答：当使用kryoserializer序列化器时，遇到Buffer大小不足，提示require ** but available等信息，需要调大上述参数。

第四、调大spark.sql.shuffle.partitions的目的？

图4: 分区结果超过2G错误

回答：当出现如上图所示错误，很大程度是因为数据发生了倾斜，这时可以调整shuffle的分区，均衡分区中的数据，但如果数据本身是倾斜，只能自定义分区规则重写Spark Partitioner或进行SQL调优。

• 为什么要避免对大表进行select * 操作？

回答：因为Spark是以Client方式向Yarn提交作业，查询的结果会返回给Driver端，对一个40G的表进行全量查询，会导致Driver端崩溃，导致如下图所示的错误：

图5: Jave堆内存