使用的Spark2以上版本所以只考慮UnifiedMemoryManager動(dòng)態(tài)內(nèi)存管理，如圖：

1. 內(nèi)存劃分 與 內(nèi)存計(jì)算 與 調(diào)參方式

1.1 三部分：Spark內(nèi)存、用戶內(nèi)存、預(yù)留內(nèi)存

預(yù)留內(nèi)存：300MB 固定

Spark內(nèi)存和用戶內(nèi)存比例由參數(shù)spark.memory.fraction(默認(rèn)0.75) 控制

計(jì)算公式：
假設(shè)：我們在submit提交參數(shù)設(shè)置 executor.memeory = 10G + 300M (方便計(jì)算)，我們叫他為系統(tǒng)內(nèi)存
那么：
Spark內(nèi)存 = （系統(tǒng)內(nèi)存 - 預(yù)留內(nèi)存） fraction = (10G + 300M - 300M) * 0.75 = 7.5G*
用戶內(nèi)存 = （系統(tǒng)內(nèi)存 - 預(yù)留內(nèi)存） (1 - fraction) = 10 G * (1 - 0.75) = 2.5G*

1.2 Spark內(nèi)存又分為兩部分：存儲(chǔ)內(nèi)存、執(zhí)行內(nèi)存

存儲(chǔ)內(nèi)存、執(zhí)行內(nèi)存比例有spark.memory.storageFraction(默認(rèn)0.5) 控制

計(jì)算公式：
假設(shè)：1.1的計(jì)算成立
那么:
存儲(chǔ)內(nèi)存 = Spark內(nèi)存*storageFraction = 7.5G * 0.5 = 3.75G
執(zhí)行內(nèi)存 = Spark內(nèi)存*storageFraction = 7.5G * (1 - 0.5) = 3.75G

2. 內(nèi)存參數(shù)調(diào)優(yōu)

可以看出來實(shí)際設(shè)置了10G,而執(zhí)行內(nèi)存卻只有了3.5G，所以需要根據(jù)業(yè)務(wù)來進(jìn)行參數(shù)調(diào)整。

2.1 調(diào)大spark.memory.storageFraction=0.6

如果程序中有需要使用內(nèi)存Cache的而不需要太多計(jì)算shuffer之類的那么可以增加存儲(chǔ)內(nèi)存，調(diào)大spark.memory.storageFraction參數(shù)

2.2 調(diào)小spark.memory.storageFraction=0.3

如果程序沒有cache而又大量shuffer就需要執(zhí)行內(nèi)存大一些，調(diào)小spark.memory.storageFraction參數(shù)

如果我們程序運(yùn)行比較慢了，可以使用Jstat -gc pid來查看GC情況，當(dāng)發(fā)現(xiàn)GC頻繁，就說明執(zhí)行內(nèi)存不夠，需要調(diào)小spark.memory.storageFraction參數(shù)

3. 再說一點(diǎn)：JVM參數(shù)調(diào)整

當(dāng)Jstat -gc pid發(fā)現(xiàn)Minor GC頻繁，但是Full GC幾乎沒有，那么就需要調(diào)整JVM參數(shù)來調(diào)大Eden伊甸園區(qū)，使用-Xmn來調(diào)整

大小設(shè)置：
說一個(gè)案例：
假設(shè)：
1.Spark讀取的是HDFS上的文件，HDFS上默認(rèn)的Block塊大小為128M
每個(gè)executor有8個(gè)core，executor-cores來設(shè)置

估算Eden區(qū)大小應(yīng)為128M * 8 大約1G，考慮survivor區(qū)-Xmn = 4/3 * 1 G 大約1.4GB

2中是沒有壓縮的數(shù)據(jù)，假設(shè)數(shù)據(jù)進(jìn)行壓縮了，還要考慮壓縮方式是否可以切片，例如使用Snappy壓縮不能切片，每個(gè)文件700MB，那么Eden區(qū)的設(shè)置要把解壓后數(shù)據(jù)膨脹考慮進(jìn)去，假設(shè)膨脹3倍
估算Eden = 700M* 3 * 8 大約 16G
-Xmn = 4/3 * 16G 大約 21.5GB，才能保證程序可以正常執(zhí)行，要不然很容易出現(xiàn)OOM，當(dāng)前還可以設(shè)置堆外內(nèi)存來緩解壓力--conf spark.memory.offHeap.size=5g

更換壓縮方式，盡量使用能夠切片的壓縮方式，如果不能只能增加存儲(chǔ)的文件數(shù)來減小每個(gè)task讀取數(shù)據(jù)的大小，或者減少Executor core來增大每個(gè)core的內(nèi)存，但是Spark的并行度會(huì)降低，執(zhí)行時(shí)間變長，需要自己權(quán)衡利弊。

注意：使用G1垃圾回收器時(shí)，不要使用 -Xmn 選項(xiàng)或 -XX:NewRatio 等其他相關(guān)選項(xiàng)顯式設(shè)置年輕代大小。固定年輕代的大小會(huì)覆蓋暫停時(shí)間目標(biāo)。可以僅使用-Xms，-Xmx和暫停時(shí)間目標(biāo)-XX：MaxGCPauseMillis ，經(jīng)過測試如果設(shè)置-Xmn會(huì)經(jīng)常出現(xiàn)Full GC，去掉后Full GC為0次，而且總的GC時(shí)間大大減少，spark程序卡頓減少。

3.1 -Xmn

-Xmn這里需要多說一下，經(jīng)過線上執(zhí)行情況分析，一開始使用的-Xmn=18G,Spark程序執(zhí)行時(shí)間2.2小時(shí)，并伴有幾十次Full GC；去掉-Xmn后，Spark程序執(zhí)行時(shí)間58分鐘，0次Full GC。第二次測試時(shí)我將每個(gè)executor_core設(shè)置為了5，第一次為8，并沒有控制變量，因?yàn)槟康厥莾?yōu)化不是測試。

4.對象的使用

為了減少有些數(shù)據(jù)結(jié)構(gòu)與對象的元數(shù)據(jù)占用大量空間，盡量使用：
字符串代替對象，基本數(shù)據(jù)類型(int long)代替字符串，數(shù)組代替ArrayList等
String內(nèi)部是一個(gè)char數(shù)據(jù)，char采用UTF-16編碼，每個(gè)字符兩字節(jié)，可以設(shè)置JVM參數(shù) -XX:+UseCompressedStrings采用8位來編碼每一個(gè)ASCII字符來壓縮字符。

下面是我的參數(shù)，需要根據(jù)自己的程序去修改一些參數(shù)值：

# submit參數(shù) spark-submit --master spark://192.168.11.167:7077 \ --class $main --deploy-mode client --driver-memory 25g \ --executor-memory 45g \ --executor-cores 8 \ --total-executor-cores 320 \ --conf spark.memory.fraction=0.8 \ --conf spark.memory.storageFraction=0.3 \ --conf spark.memory.offHeap.enabled=true \ --conf spark.memory.offHeap.size=5g \ --conf spark.executor.memoryOverhead=5G \ --conf spark.speculation=true \ --conf spark.network.timeout=3000 \ --conf spark.executor.extraJavaOptions="-XX:+UseG1GC -XX:-TieredCompilation -XX:G1HeapRegionSize=16m -XX:InitiatingHeapOccupancyPercent=55 -XX:SoftRefLRUPolicyMSPerMB=0 -XX:-UseCompressedClassPointers -XX:MetaspaceSize=256m -XX:MaxMetaspaceSize=256m -XX:ReservedCodeCacheSize=512m -XX:+UseCodeCacheFlushing -XX:ParallelGCThreads=20 -XX:ConcGCThreads=20 -Xms20g -XX:+PrintGCDetails -XX:+PrintGCTimeStamps" \ --conf spark.driver.extraJavaOptions="-XX:+UseG1GC" \ --jars $jars xxxx.jar $date1 $max $date2 >> log/$log_file#代碼內(nèi)參數(shù) conf.set("spark.driver.maxResultSize", "8g"); conf.set("spark.serialize", "org.apache.spark.serializer.KryoSerializer"); conf.registerKryoClasses(new Class[]{ImmutableBytesWritable.class, HyperLogLog.class, HashSet.class, RegisterSet.class, IllegalArgumentException.class, FileCommitProtocol.TaskCommitMessage.class}); //conf.set("spark.kryo.registrationRequired","true"); #開啟的話類沒加到上面會(huì)報(bào)錯(cuò) conf.set("spark.kryoserializer.buffer.mb", "10"); conf.set("spark.shuffle.file.buffer", "128"); conf.set("spark.reducer.maxSizeInFlight", "144"); conf.set("spark.shuffle.io.maxRetries", "50"); conf.set("spark.shuffle.io.retryWait", "5s");

總結(jié)

以上是生活随笔為你收集整理的Spark2内存调优总结 - 内存划分 与 内存计算 与 调参方式的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。