Apache Spark是通用的大規模數據處理框架。 了解spark如何執行作業對于獲取大部分作業非常重要。

關于Spark評估范式的簡短回顧：Spark使用的是惰性評估范式，在該范式中，Spark應用程序在驅動程序調用“ Action”之前不會執行任何操作。

惰性評估是所有運行時/編譯時優化火花可以完成的關鍵。

懶惰的評估不是新概念。 它在函數式編程中使用了數十年。 數據庫還使用它來創建邏輯和物理執行計劃。 像tensorflow這樣的神經網絡框架也基于惰性評估。 首先，它構建計算圖，然后執行它。

Spark應用程序由工作，階段和任務組成。 作業和任務由Spark并行執行，但作業內部階段是順序執行的。 當您想要調整火花作業時，知道并行執行和順序執行的內容非常重要。

階段是按順序執行的，因此具有多個階段的作業將使它窒息，并且前一階段將進入下一個階段，并且這會帶來一些開銷，其中涉及將階段輸出寫入持久性源（即磁盤，hdfs，s3等）并再次讀取。 這也稱為廣泛轉換/混洗依賴性。

單階段作業將非常快，但是您無法使用單階段構建任何有用的應用程序。

例子

讓我們看一些代碼示例以更好地理解這一點。

val topXNumbers = randomNumbers.filter(_ > 1000) //Stage 1.map(value => (value, 1)) // Stage 1.groupByKey() //Stage 2.map(value => (value._1, value._2.sum)) //Stage 2.sortBy(_._2, false) //Stage 3.count() // Stage 3

星火DAG

spark ui的DAG視圖非常清楚地表明Spark如何查看/執行應用程序。

上面的代碼創建了3個階段，每個階段的邊界都有一些開銷，例如（Shuffle讀/寫）。

單階段（例如階段1）中的步驟已合并過濾器和地圖。

該視圖還具有“任務”，這是執行的最小工作單元。 該應用程序每個階段有2個任務。

spark應用程序如何執行？ 讓我們深入研究如何執行它。 Spark應用程序需要3個組件來執行：

• 驅動程序–提交請求以掌握和協調所有任務。
• 集群管理器–根據驅動程序的請求啟動spark執行程序。
• 執行程序–執行作業并將結果發送回驅動程序。

Spark應用程序涉及的2個重要組件是Driver＆Executor，當這些組件中的任何一個承受壓力時，它可能是內存/ CPU /網絡/磁盤，Spark作業可能會失敗。

在下一節中，我將分享我在執行人方面的一些經驗。

執行器問題 ：每個執行器需要2個參數Cores＆Memory。 核心決定執行者可以處理多少個任務，并且該執行者中所有核心/任務之間共享內存。 每個火花作業都有不同類型的需求，因此
反模式，以對所有Spark應用程序使用單一配置。

問題1 –執行者的任務過多 ：如果任務太大而無法容納在內存中，執行者將無法處理任務或運行緩慢。 沒什么可尋找這個問題的：

• 驅動程序日志文件長時間停頓（即日志文件不移動）
• GC時間過長，可以從spark UI的“執行者”頁面進行驗證

• 重試舞臺

• 執行器記錄完整的“內存映射圖”消息

2018-09-30 03:30:06 INFO ExternalSorter:54 - Thread 44 spilling in-memory map of 371.0 MB to disk (6 times so far) 2018-09-30 03:30:24 INFO ExternalSorter:54 - Thread 44 spilling in-memory map of 379.5 MB to disk (7 times so far) 2018-09-30 03:30:38 INFO ExternalSorter:54 - Thread 44 spilling in-memory map of 373.8 MB to disk (8 times so far) 2018-09-30 03:30:58 INFO ExternalSorter:54 - Thread 44 spilling in-memory map of 384.0 MB to disk (9 times so far) 2018-09-30 03:31:17 INFO ExternalSorter:54 - Thread 44 spilling in-memory map of 382.7 MB to disk (10 times so far) 2018-09-30 03:31:38 INFO ExternalSorter:54 - Thread 44 spilling in-memory map of 371.0 MB to disk (11 times so far) 2018-09-30 03:31:58 INFO ExternalSorter:54 - Thread 44 spilling in-memory map of 371.0 MB to disk (12 times so far)

• 執行器日志出現OOM錯誤

2018-09-30 03:34:35 ERROR Executor:91 - Exception in task 0.0 in stage 3.0 (TID 273) java.lang.OutOfMemoryError: GC overhead limit exceededat java.util.Arrays.copyOfRange(Arrays.java:3664)at java.lang.String.<init>(String.java:207)at java.lang.StringBuilder.toString(StringBuilder.java:407)at sun.reflect.MethodAccessorGenerator.generateName(MethodAccessorGenerator.java:770)at sun.reflect.MethodAccessorGenerator.generate(MethodAccessorGenerator.java:286)at sun.reflect.MethodAccessorGenerator.generateSerializationConstructor(MethodAccessorGenerator.java:112)

如何解決呢？

很快出現的一種選擇是在執行器端增加內存。 它可以工作，但是可以在執行程序端添加多少內存將受到限制，因此很快您將用盡該選項，因為大多數集群都是共享的，并且它對可分配給執行程序的最大內存有限制。

下一個更好的選擇是減小單個任務的大小，一切由您控制。 這需要更多的洗牌權衡，但是仍然比以前更好。

Spark UI快照，可用于不良運行和良好運行。

不良運行

好運

第二個是調整分區大小。 不良運行表明所有需要調整分區大小的指標。

問題2 –執行程序中的內核過多 ：這也是一個非常常見的問題，因為我們想通過拋出太多任務來使執行程序過載。 讓我們看看如何確定是否存在此問題：

• 執行者方面花費在GC上的時間
• 執行器日志和消息–溢出的內存映射
• 任務執行期間執行程序上的峰值執行內存 。 僅當作業不在歷史記錄服務器上運行時，此選項才可用。

我將放置來自sparkUI的2個快照

Partition Executor Cores MemoryRun 1 100 2 4 2gRun 1 100 2 2 2g

4核/ 2執行器

2核心/ 2執行器

8核（4 * 2 Exe）一個人忙于GC開銷，而4核（2 * 2 Executor）的一切都減少了一半，僅使用4個核就更高效。

如果您看到這樣的模式，請減少執行程序核心，并增加執行程序數量，以使Spark工作更快。

問題3 –紗線內存開銷 ：這是我的最愛，并且以下錯誤確認Spark應用程序存在此問題

“ ExecutorLostFailure（執行器2退出是由于正在運行的任務之一引起的）原因：容器因超出內存限制而被YARN殺死。

已使用XXX GB的XXX GB物理內存。 考慮提高spark.yarn.executor.memoryOverhead”

每當出現此錯誤時，大多數開發人員都會在堆棧上溢出并增加“ spark.yarn.executor.memoryOverhead”參數值。

這是不錯的選擇，因為短期內它很快就會再次失敗，您將繼續增加它，最終用盡選擇權。

我認為增加“ spark.yarn.executor.memoryOverhead”作為反模式，因為指定的任何內存都會添加到執行程序的總內存中。

此錯誤表示執行程序過載，最好的選擇是嘗試我上面提到的其他解決方案。

Spark有太多的調整參數，以至于有時看起來像是在計劃駕駛艙中選址。

此博客中使用的所有代碼都可以在@sparkperformance github repo上找到

翻譯自: https://www.javacodegeeks.com/2018/10/anatomy-apache-spark-job.html

總結

以上是生活随笔為你收集整理的Apache Spark Job的剖析的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。