spark 性能优化

spark 配置:

配置

大部分为Spark on YARN模式提供的配置与其它部署模式提供的配置相同。下面这些是为Spark on YARN模式提供的配置。

Spark属性

Property Name Default Meaning
spark.yarn.applicationMaster.waitTries 10

ApplicationMaster等待Spark master的次数

以及SparkContext初始化尝试的次数

spark.yarn.submit.file.replication HDFS默认的复制次数(3)

上传到HDFS的文件的HDFS复制水平。这些文件

包括Spark jar、app jar以及任何分布式缓存文件/档案

spark.yarn.preserve.staging.files false

设置为true,则在作业结束时保留阶段性文件

(Spark jar、app jar以及任何分布式缓存文件)而不是删除它们

spark.yarn.scheduler.heartbeat.interval-ms 5000

Spark application master给YARN

ResourceManager发送心跳的时间间隔(ms)

spark.yarn.max.executor.failures numExecutors * 2,最小为3 失败应用程序之前最大的执行失败数
spark.yarn.historyServer.address (none)

Spark历史服务器(如host.com:18080)的地址。

这个地址不应该包含一个模式(http://)。

默认情况下没有设置值,这是因为该选项是一个可选选项

。当Spark应用程序完成从ResourceManager

UI到Spark历史服务器UI的连接时,这个地址从YARN
ResourceManager得到

spark.yarn.dist.archives (none) 提取逗号分隔的档案列表到每个执行器的工作目录
spark.yarn.dist.files (none) 放置逗号分隔的文件列表到每个执行器的工作目录
spark.yarn.executor.memoryOverhead executorMemory * 0.07,最小384 分配给每个执行器的堆内存大小(以MB为单位)。
它是VM开销、interned字符串或者其它本地开销占用的内存。
这往往随着执行器大小而增长。(典型情况下是6%-10%)
spark.yarn.driver.memoryOverhead driverMemory * 0.07,最小384 分配给每个driver的堆内存大小(以MB为单位)。
它是VM开销、interned字符串或者其它本地开销占用的内存。
这往往随着执行器大小而增长。(典型情况下是6%-10%)
spark.yarn.queue default 应用程序被提交到的YARN队列的名称
spark.yarn.jar (none) Spark jar文件的位置,覆盖默认的位置。默认情况下,
Spark on YARN将会用到本地安装的Spark jar。
但是Spark jar也可以HDFS中的一个公共位置。
这允许YARN缓存它到节点上,而不用在每次运行
应用程序时都需要分配。指向HDFS中的jar包,
可以这个参数为”hdfs:///some/path”
spark.yarn.access.namenodes (none) 你的Spark应用程序访问的HDFS namenode列表。例如,spark.yarn.access.namenodes=hdfs://nn1.
com:8032,hdfs://nn2.com:8032
,Spark
应用程序必须访问namenode列表,Kerberos必须正确配置来访问它们。Spark获得namenode的安全令牌,
这样Spark应用程序就能够访问这些远程的HDFS集群。
spark.yarn.containerLauncherMaxThreads 25 为了启动执行者容器,应用程序master用到的最大线程数
spark.yarn.appMasterEnv.[EnvironmentVariableName] (none) 添加通过EnvironmentVariableName指定的环境变量到Application Master处理YARN上的启动。用户可以指定多个该设置,从而设置多个环境变量。在yarn-cluster模式下,这控制Spark driver的环境。在yarn-client模式下,这仅仅控制执行器启动者的环境。

在YARN上启动Spark

确保HADOOP_CONF_DIRYARN_CONF_DIR指向的目录包含Hadoop集群的(客户端)配置文件。这些配置用于写数据到dfs和连接到YARN ResourceManager。

有两种部署模式可以用来在YARN上启动Spark应用程序。在yarn-cluster模式下,Spark driver运行在application master进程中,这个进程被集群中的YARN所管理,客户端会在初始化应用程序 之后关闭。在yarn-client模式下,driver运行在客户端进程中,application master仅仅用来向YARN请求资源。

和Spark单独模式以及Mesos模式不同,在这些模式中,master的地址由”master”参数指定,而在YARN模式下,ResourceManager的地址从Hadoop配置得到。因此master参数是简单的yarn-clientyarn-cluster

在yarn-cluster模式下启动Spark应用程序。

例子:

在yarn-client模式下启动Spark应用程序,运行下面的shell脚本

添加其它的jar

在yarn-cluster模式下,driver运行在不同的机器上,所以离开了保存在本地客户端的文件,SparkContext.addJar将不会工作。为了使SparkContext.addJar用到保存在客户端的文件, 在启动命令中加上--jars选项。

注意事项

  • 在Hadoop 2.2之前,YARN不支持容器核的资源请求。因此,当运行早期的版本时,通过命令行参数指定的核的数量无法传递给YARN。在调度决策中,核请求是否兑现取决于用哪个调度器以及 如何配置调度器。
  • Spark executors使用的本地目录将会是YARN配置(yarn.nodemanager.local-dirs)的本地目录。如果用户指定了spark.local.dir,它将被忽略。
  • --files--archives选项支持指定带 # 号文件名。例如,你能够指定--files localtest.txt#appSees.txt,它上传你在本地命名为localtest.txt的文件到HDFS,但是将会链接为名称appSees.txt。当你的应用程序运行在YARN上时,你应该使用appSees.txt去引用该文件。
  • 如果你在yarn-cluster模式下运行SparkContext.addJar,并且用到了本地文件, --jars选项允许SparkContext.addJar函数能够工作。如果你正在使用 HDFS, HTTP, HTTPS或FTP,你不需要用到该选项

 

近期优化了一个spark流量统计的程序,此程序跑5分钟小数据量日志不到5分钟,但相同的程序跑一天大数据量日志各种失败。经优化,使用160 vcores + 480G memory,一天的日志可在2.5小时内跑完,下面对一些优化的思路方法进行梳理。

 

优化的目标

  1. 保证大数据量下任务运行成功
  2. 降低资源消耗
  3. 提高计算性能

三个目标优先级依次递减,首要解决的是程序能够跑通大数据量,资源性能尽量进行优化。

 

基础优化

这部分主要对程序进行优化,主要考虑stage、cache、partition等方面。

 

Stage

在进行shuffle操作时,如reduceByKey、groupByKey,会划分新的stage。同一个stage内部使用pipe line进行执行,效率较高;stage之间进行shuffle,效率较低。故大数据量下,应进行代码结构优化,尽量减少shuffle操作。

 

Cache

本例中,首先计算出一个baseRDD,然后对其进行cache,后续启动三个子任务基于cache进行后续计算。

对于5分钟小数据量,采用StorageLevel.MEMORY_ONLY,而对于大数据下我们直接采用了StorageLevel.DISK_ONLY。DISK_ONLY_2相较DISK_ONLY具有2备份,cache的稳定性更高,但同时开销更大,cache除了在executor本地进行存储外,还需走网络传输至其他节点。后续我们的优化,会保证executor的稳定性,故没有必要采用DISK_ONLY_2。实时上,如果优化的不好,我们发现executor也会大面积挂掉,这时候即便DISK_ONLY_2,也是然并卵,所以保证executor的稳定性才是保证cache稳定性的关键。

cache是lazy执行的,这点很容易犯错,例如:

这个例子在三个子线程开始并行执行的时候,baseRDD由于lazy执行,还没被cache,这时候三个线程会同时进行baseRDD的计算,cache的功能形同虚设。可以在baseRDD.cache()后增加baseRDD.count(),显式的触发cache,当然count()是一个action,本身会触发一个job。

再举一个错误的例子:

由于textFile()也是lazy执行的,故本例会进行两次相同的hdfs文件的读取,效率较差。解决办法,是对pvLog和clLog共同的父RDD进行cache。

 

Partition

一个stage由若干partition并行执行,partition数是一个很重要的优化点。

本例中,一天的日志由6000个小文件组成,加上后续复杂的统计操作,某个stage的parition数达到了100w。parition过多会有很多问题,比如所有task返回给driver的MapStatus都已经很大了,超过spark.driver.maxResultSize(默认1G),导致driver挂掉。虽然spark启动task的速度很快,但是每个task执行的计算量太少,有一半多的时间都在进行task序列化,造成了浪费,另外shuffle过程的网络消耗也会增加。

对于reduceByKey(),如果不加参数,生成的rdd与父rdd的parition数相同,否则与参数相同。还可以使用coalesce()和repartition()降低parition数。例如,本例中由于有6000个小文件,导致baseRDD有6000个parition,可以使用coalesce()降低parition数,这样parition数会减少,每个task会读取多个小文件。

那么对于每个stage设置多大的partition数合适那?当然不同的程度的复杂度不同,这个数值需要不断进行调试,本例中经测试保证每个parition的输入数据量在1G以内即可,如果parition数过少,每个parition读入的数据量变大,会增加内存的压力。例如,我们的某一个stage的ShuffleRead达到了3T,我设置parition数为6000,平均每个parition读取500M数据。

最后,一般我们的原始日志很大,但是计算结果很小,在saveAsTextFile前,可以减少结果rdd的parition数目,这样会计算hdfs上的结果文件数,降低小文件数会降低hdfs namenode的压力,也会减少最后我们收集结果文件的时间。

这里使用repartition()不使用coalesce(),是为了不降低resultRDD计算的并发量,通过再做一次shuffle将结果进行汇总。

 

资源优化

在搜狗我们的spark程序跑在yarn集群上,我们应保证我们的程序有一个稳定高效的集群环境。

 

设置合适的资源参数

一些常用的参数设置如下:

executor的数量可以根据任务的并发量进行估算,例如我有1000个任务,每个任务耗时1分钟,若10个并发则耗时100分钟,100个并发耗时10分钟,根据自己对并发需求进行调整即可。默认每个executor内有一个并发执行任务,一般够用,也可适当增加,当然内存的使用也会有所增加。

对于yarn-client模式,整个application所申请的资源为:

当申请的资源超出所指定的队列的min cores和min memory时,executor就有被yarn kill掉的风险。而spark的每个stage是有状态的,如果被kill掉,对性能影响比较大。例如,本例中的baseRDD被cache,如果某个executor被kill掉,会导致其上的cache的parition失效,需要重新计算,对性能影响极大。

这里还有一点需要注意,executor-memory设置的是executor jvm启动的最大堆内存,java内存除了堆内存外,还有栈内存、堆外内存等,所以spark使用spark.yarn.executor.memoryOverhead对非堆内存进行限制,也就是说executor-memory + spark.yarn.executor.memoryOverhead是所能使用的内存的上线,如果超过此上线,就会被yarn kill掉。本次优化,堆外内存的优化起到了至关重要的作用,我们后续会看到。

spark.yarn.executor.memoryOverhead默认是executor-memory * 0.1,最小是384M。比如,我们的executor-memory设置为1G,spark.yarn.executor.memoryOverhead是默认的384M,则我们向yarn申请使用的最大内存为1408M,但由于yarn的限制为倍数(不知道是不是只是我们的集群是这样),实际上yarn运行我们运行的最大内存为2G。这样感觉浪费申请的内存,申请的堆内存为1G,实际上却给我们分配了2G,如果对spark.yarn.executor.memoryOverhead要求不高的话,可以对executor-memory再精细化,比如申请executor-memory为640M,加上最小384M的spark.yarn.executor.memoryOverhead,正好一共是1G。

除了启动executor外,spark还会启动一个am,可以使用spark.yarn.am.memory设置am的内存大小,默认是512M,spark.yarn.am.memoryOverhead默认也是最小384M。有时am会出现OOM的情况,可以适当调大spark.yarn.am.memory。

executor默认的永久代内存是64K,可以看到永久代使用率长时间为99%,通过设置spark.executor.extraJavaOptions适当增大永久代内存,例如:–conf spark.executor.extraJavaOptions=”-XX:MaxPermSize=64m”

driver端在yarn-client模式下运行在本地,也可以对相关参数进行配置,如–driver-memory等。

 

查看日志

executor的stdout、stderr日志在集群本地,当出问题时,可以到相应的节点查询,当然从web ui上也可以直接看到。

executor除了stdout、stderr日志,我们可以把gc日志打印出来,便于我们对jvm的内存和gc进行调试。

除了executor的日志,nodemanager的日志也会给我们一些帮助,比如因为超出内存上限被kill、资源抢占被kill等原因都能看到。

除此之外,spark am的日志也会给我们一些帮助,从yarn的application页面可以直接看到am所在节点和log链接。

 

复杂的集群环境

我们的yarn集群节点上上跑着mapreduce、hive、pig、tez、spark等各类任务,除了内存有所限制外,CPU、带宽、磁盘IO等都没有限制(当然,这么做也是为了提高集群的硬件利用率),加上集群整体业务较多负载较高,使得spark的执行环境十分恶劣。常见的一些由于集群环境,导致spark程序失败或者性能下降的情况有:

  • 节点挂掉,导致此节点上的spark executor挂掉
  • 节点OOM,把节点上的spark executor kill掉
  • CPU使用过高,导致spark程序执行过慢
  • 磁盘目录满,导致spark写本地磁盘失败
  • 磁盘IO过高,导致spark写本地磁盘失败
  • HDFS挂掉,hdfs相关操作失败

 

内存/GC优化

经过上述优化,我们的程序的稳定性有所提升,但是让我们完全跑通的最后一根救命稻草是内存、GC相关的优化。

 

Direct Memory

我们使用的spark版本是1.5.2(更准确的说是1.5.3-shapshot),shuffle过程中block的传输使用netty(spark.shuffle.blockTransferService)。基于netty的shuffle,使用direct memory存进行buffer(spark.shuffle.io.preferDirectBufs),所以在大数据量shuffle时,堆外内存使用较多。当然,也可以使用传统的nio方式处理shuffle,但是此方式在spark 1.5版本设置为deprecated,并将会在1.6版本彻底移除,所以我最终还是采用了netty的shuffle。

jvm关于堆外内存的配置相对较少,通过-XX:MaxDirectMemorySize可以指定最大的direct memory。默认如果不设置,则与最大堆内存相同。

Direct Memory是受GC控制的,例如ByteBuffer bb = ByteBuffer.allocateDirect(1024),这段代码的执行会在堆外占用1k的内存,Java堆内只会占用一个对象的指针引用的大小,堆外的这1k的空间只有当bb对象被回收时,才会被回收,这里会发现一个明显的不对称现象,就是堆外可能占用了很多,而堆内没占用多少,导致还没触发GC。加上-XX:MaxDirectMemorySize这个大小限制后,那么只要Direct Memory使用到达了这个大小,就会强制触发GC,这个大小如果设置的不够用,那么在日志中会看到java.lang.OutOfMemoryError: Direct buffer memory。

例如,在我们的例子中,发现堆外内存飙升的比较快,很容易被yarn kill掉,所以应适当调小-XX:MaxDirectMemorySize(也不能过小,否则会报Direct buffer memory异常)。当然你也可以调大spark.yarn.executor.memoryOverhead,加大yarn对我们使用内存的宽容度,但是这样比较浪费资源了。

 

GC优化

GC优化前,最好是把gc日志打出来,便于我们进行调试。

第一,可以减少整个堆内存的大小,当然也不能太小,否则堆内存也会报OOM。这里,我配置了1G的最大堆内存。

第二,可以让年轻代的对象尽快进入年老代,增加年老代的内存。这里我使用了-Xmn100m,将年轻代大小设置为100M。另外,年轻代的对象默认会在young gc 15次后进入年老代,这会造成年轻代使用率比较大,young gc比较多,但是年老代使用率低,父gc比较少,通过配置-XX:MaxTenuringThreshold=1,年轻代的对象经过一次young gc后就进入年老代,加快年老代父gc的频率。

第三,可以让年老代更频繁的进行父gc。一般年老代gc策略我们主要有-XX:+UseParallelOldGC和-XX:+UseConcMarkSweepGC这两种,ParallelOldGC吞吐率较大,ConcMarkSweepGC延迟较低。我们希望父gc频繁些,对吞吐率要求较低,而且ConcMarkSweepGC可以设置-XX:CMSInitiatingOccupancyFraction,即年老代内存使用率达到什么比例时触发CMS。我们决定使用CMS,并设置-XX:CMSInitiatingOccupancyFraction=10,即年老代使用率10%时触发父gc。

通过对GC策略的配置,我们发现父gc进行的频率加快了,带来好处就是Direct Memory能够尽快进行回收,当然也有坏处,就是gc时间增加了,cpu使用率也有所增加。

最终我们对executor的配置如下:

 

总结

通过对Stage/Cache/Partition、资源、内存/GC的优化,我们的spark程序最终能够在160 vcores + 480G memory资源下,使用2.5小时跑通一天的日志。

对于程序优化,我认为应本着如下几点进行:

  1. 通过监控CPU、内存、网络、IO、GC、应用指标等数据,切实找到系统的瓶颈点。
  2. 统筹全局,制定相应的解决方案,解决问题的思路是否清晰准确很重要,另外切勿『头疼医头,脚疼医脚』,应总体考虑把握。
  3. 了解一些技术的背景知识,对于每次优化尽量做得彻底些,多进行总结。