SparkSQL执行时参数优化

• 具体现象

  1. 内存CPU比例失调 一个Spark任务消耗 120(executor)*4G = 480G内存仅仅使用120个 core.几个SprakSQL任务就将整个系统资源吃光.
  2. 设置超过40个executor,但未指定分区数,导致多数executor空闲.

• 原因分析

• SparkSQL配置时Core与内存比例不恰当

• 没有指定executor核心数

• 未进行其他配置参数优化

• 解决办法

  1. 在配置SparkSQL任务时指定executor核心数 建议为4
     (同一executor[进程]内内存共享,当数据倾斜时,使用相同核心数与内存量的两个任务,executor总量少的任务不容易OOM,因为单核心最大可用内存大.但是并非越大越好,因为单个exector最大core受服务器剩余core数量限制,过大的core数量可能导致资源分配不足)　　
  2. 设置spark.default.parallelism=600 每个stage的默认task数量
     (计算公式为num-executors * executor-cores 系统默认值分区为40,这是导致executor并行度上不去的罪魁祸首,之所以这样计算是为了尽量避免计算最慢的task决定整个stage的时间,将其设置为总核心的2-3倍,让运行快的task可以继续领取任务计算直至全部任务计算完毕)
  3. 开启spark.sql.auto.repartition=true 自动重新分区
     (每个stage[阶段]运行时分区并不尽相同,使用此配置可优化计算后分区数,避免分区数过大导致单个分区数据量过少,每个task运算分区数据时时间过短,从而导致task频繁调度消耗过多时间)
  4. 设置spark.sql.shuffle.partitions=400 提高shuffle并行度
     (shuffle read task的并行度)
  5. 设置spark.shuffle.service.enabled=true 提升shuffle效率 --!并未测试
     (Executor 进程除了运行task 也要进行写shuffle 数据,当Executor进程任务过重时,导致GC不能为其他Executor提供shuffle数据时将会影响效率.此服务开启时代替Executor来抓取shuffle数据)

以下为SparkSQL调优相关设置 

以下列表中动态资源分配相关不建议使用

//1.下列Hive参数对Spark同样起作用。
set hive.exec.dynamic.partition=true; // 是否允许动态生成分区
set hive.exec.dynamic.partition.mode=nonstrict; // 是否容忍指定分区全部动态生成
set hive.exec.max.dynamic.partitions = 100; // 动态生成的最多分区数

//2.运行行为
set spark.sql.autoBroadcastJoinThreshold; // 大表 JOIN 小表，小表做广播的阈值
set spark.dynamicAllocation.enabled; // 开启动态资源分配
set spark.dynamicAllocation.maxExecutors; //开启动态资源分配后，最多可分配的Executor数
set spark.dynamicAllocation.minExecutors; //开启动态资源分配后，最少可分配的Executor数
set spark.sql.shuffle.partitions; // 需要shuffle是mapper端写出的partition个数
set spark.sql.adaptive.enabled; // 是否开启调整partition功能，如果开启，spark.sql.shuffle.partitions设置的partition可能会被合并到一个reducer里运行
set spark.sql.adaptive.shuffle.targetPostShuffleInputSize; //开启spark.sql.adaptive.enabled后，两个partition的和低于该阈值会合并到一个reducer
set spark.sql.adaptive.minNumPostShufflePartitions; // 开启spark.sql.adaptive.enabled后，最小的分区数
set spark.hadoop.mapreduce.input.fileinputformat.split.maxsize; //当几个stripe的大小大于该值时，会合并到一个task中处理

//3.executor能力
set spark.executor.memory; // executor用于缓存数据、代码执行的堆内存以及JVM运行时需要的内存
set spark.yarn.executor.memoryOverhead; //Spark运行还需要一些堆外内存，直接向系统申请，如数据传输时的netty等。
set spark.sql.windowExec.buffer.spill.threshold; //当用户的SQL中包含窗口函数时，并不会把一个窗口中的所有数据全部读进内存，而是维护一个缓存池，当池中的数据条数大于该参数表示的阈值时，spark将数据写到磁盘
set spark.executor.cores; //单个executor上可以同时运行的task数

　　

当任务数据量过大时，还可以根据具体资源情况，增大以下参数：

--conf spark.sql.shuffle.partitions

--conf spark.executor.instances

--conf spark.dynamicAllocation.maxExecutors

另外，对于Spark SQL 来说，提高并行度时设置 spark.default.parallelism 这个参数时无用的，spark.sql.shuffle.partitions才是决定Spark sql执行并行度的关键。

原因在于：

spark.default.parallelism这个参数是在处理RDD时才会起作用的，对Spark sql来说是无效的。

针对Spark sql任务，则是专门提供了spark.sql.shuffle.partitions这样的参数来控制并行度。

 

转自：

https://www.cnblogs.com/-zzz/p/10629226.html

https://blog.csdn.net/Jack_Roy/article/details/89639784

https://blog.csdn.net/Jack_Roy  （博主写的很细致）