Spark 性能调优-CFANZ编程社区

该文档仅提供性能调优的参考

资源调优

Spark 可以通过参数配置资源分配。资源分配不合理会导致 job 运行过慢甚至失败。资源调优就是为当前 job 分配合适的资源，提高资源利用率最终加快任务运行速度。

Driver


配置项	默认值	参考值	备注
spark.driver.memory	1g	不 OOM 下越小越好	如果数据需收集到 driver ，那么需要根据数据大小配置内存，防止 OOM
spark.driver.memoryOverhead	max (driverMemory * 0.1, 384)	/
spark.driver.cores	1	/

Executor

内存

太大的内存会导致 JVM 垃圾回收变慢，尽量小于 64 g
executor 申请的总内存不能超过 node/container 的总内存，申请的内存大小为以下参数总和

spark.executor.memory
spark.executor.memoryOverhead
spark.memory.offHeap.size
spark.executor.pyspark.memory

CPU

1 core 会导致无法利用 JVM 多线程，以及会使一些 broadcast 相关的参数失效
core 设置太多可能会使 job 速度运行变慢


配置项	默认值	建议值	备注
spark.executor.memory	1g	4-8 g	在不 OOM 情况下设小
spark.executor.memoryOverhead	max (executor * 0.1, 384)	/	用于虚拟机的开销、内部的字符串、本地开销等
spark.memory.offHeap.enabled	false	/	当有需要堆外内存的操作时才配置，一般默认 false 即可
spark.memory.offHeap.size	0	/	offHeap.enabled true 才生效
spark.executor.cores	- Yarn ：1
- standalone：all available cores	4
Executor 数量	无		总 core / executor.cores

Executor 内存分配

指 spark.executor.memory 的内存分配

Spark 性能调优_默认值

Spark 的内存分为两大类：执行内存和存储内存。

执行内存：在shuffle, join, aggregation 等计算中使用的内存。
存储内存：集群中缓存和 broadcast 使用的内存。

spark.memory.fraction (默认 0.6)

用于执行内存和存储内存的百分比，剩余是为用户数据结构，Spark metadata 等预留的。在预留大小足够下提高此值，可以减少溢写磁盘。

存储内存和执行内存共享同一块空间，且有动态占用机制

双方基础内存占比由 spark.memory.storageFraction 决定
一方空闲时，另一方可以占用
当执行内存不足，且存在被占用内存时：可要求存储内存归还占用部分。存储内存会将占用部分转存到磁盘
当存储内存不足，且存在被占用内存时：不可要求执行内存归还

spark.memory.storageFraction（默认0.5）：

不受驱逐的存储内存百分比，即这个占比的内存一定不会被驱逐到磁盘中

用于 task 的执行内存大小可以计算得出

spark.executor.memory * spark.memory.fraction *（1-spark.memory.storageFraction）/ spark.executor.cores

总结：

发生磁盘溢写时：可尝试调大 spark.executor.memory 或提高 spark.memory.fraction
spark.memory.storageFraction 一般取默认值即可，不太推荐在溢写时调小该值

动态内存分配

Spark 提供了 Dynamic Executor Allocation ，它能够动态调整 executor 数量，以下场景可以考虑配置

和其他团队共享集群
在乎 cost
某一个 application 有若干不同大小的 job

主要参数如下

spark.dynamicAllocation.enable false

spark.dynamicAllocation.executorIdleTimeout 60s   // 如果任务执行时间普遍短，可以调小 timeout

spark.dynamicAllocation.initialExecutors minExecutors // 对于大的 job,调大 initialExecutors

spark.dynamicAllocation.minExecutors 1  

spark.dynamicAllocation.maxExecutors infinity //共享的 spark 集群最好配置 maxExecutors

并行度

Spark 并行度 = min( 任务数 = 分区数，总核数 )

一个参考值：分区数 = 总核心数的 2-3 倍

分区初始数量

分区数会影响 Spark 集群的并行度，下面有两种方式来计算分区数量

内存资源紧缺时： Math.round(inputDataSize/availableTaskMemoryMB()).toInt 其中 inputDataSize 为每个 task 的数据大小，可以从 Spark UI 上查看；availableTaskMemoryMB 即为上文计算的 用于 task 的执行内存大小
内存资源足够时：分区数量先设置为集群可用总 cores *2，然后逐步往上调，寻找一个最佳分区数（core 的整数倍）

什么是最佳分区数呢？执行时间最短就是最佳，此外还可以根据 Spark UI 判断

分区数量太多的表现：executor cpu 内存利用率过低，过多 pending 的 task
分区数量太少的表现：executor 空闲

分区调整

分区数量调整：使用 repartition()可以调整分区数量，但会发生 shuffle，若减少分区，可以尝试使用coalesce()来避免 shuffle （一些特殊场景 repartition 更优，其增加的 shuffle 可能会减少其他地方的 shuffle，降低整体的时间）
分区策略调整：若发生数据倾斜，可以通过调整合适的分区策略避免

Shuffle 调优

Shuffle 调优的目的是：避免 spill 到 disk 导致任务速度变慢

当在 Spark UI 观察到存在溢写时，一般有以下手段

增加内存
配置堆外内存
增加分区以减少每个任务的数据量
调整 shuffle 参数

相关配置如下


配置项	默认值	推荐	备注
spark.executor.memory	1g	增加	内存足够增加内存是最好的方式
spark.sql.shuffle.partitions	200	增加	调大分区数可以减少每个分区的数据量防止 spill
- spark.memory.offHeap.enable
- spark.memory.offHeap.size	关闭	打开	配置堆外内存减少 shuffle
spark.memory.fraction	0.6	增加	增加存储内存和执行内存的总额
spark.shuffle.file.buffer	32k	64k	shuffle write 时，会先写到 BufferedOutputStream 缓冲区中，然后再溢写到磁盘。增加此值可以减少 IO 次数，推荐 64k
spark.shuffle.service.index.cache.size	100m	减少	缓存的 shuffle 索引文件中索引的数量，减少该值可以防止内存爆炸
spark.io.compression.lz4.blockSize	32k	增加	增大此配置以减少 shuffle 文件的大小
spark.shuffle.service.enabled	false	/	启用外部 shuffle 服务，这样 spark shuffle file 不会保存在 executor
spark.shuffle.io.backLog	-1	/	启用 shuffle.service 时，控制 accept queue
spark.shuffle.registration.timeout	5000	/	启用 shuffle.service 时，注册的超时时间，推荐增大

另外还可以优化代码（SQL or RDD API）防止 shuffle

Join 时广播小表（如使用 Broadcast Hash Join）
尽量使用窄依赖而不是宽依赖
使用 ReduceByKey 而不是 GroupbyKey
在要进行宽依赖之前，或者进行完一系列复杂操作后，或进行完某些耗时操作后，persist RDD 进行缓存

Spark 调优工具

推荐使用一些 Spark 调优工具来帮助调优

Sparklens
Sparklint
Dr Elephant

参考文档

Understanding Spark Tuning
Apache Spark Performance Tuning and Optimizations for Big Datasets
Should I repartition