0、背景

日前接到反饋，集群部分 spark 任務執行很慢，且經常出錯，參數改來改去怎么都無法優化其性能和解決頻繁隨機報錯的問題。

看了下任務的歷史運行情況，平均時間 3h 左右，而且極其不穩定，偶爾還會報錯：

1、優化思路

任務的運行時間跟什么有關?

(1)數據源大小差異

在有限的計算下，job的運行時長和數據量大小正相關，在本例中，數據量大小基本穩定，可以排除是日志量級波動導致的問題：

(2)代碼本身邏輯缺陷

比如代碼里重復創建、初始化變量、環境、RDD資源等，隨意持久化數據等，大量使用 shuffle 算子等，比如reduceByKey、join等算子。

在這份100行的代碼里，一共有 3 次 shuffle 操作，任務被 spark driver 切分成了 4 個 stage 串行執行，代碼位置如下：

咱們需要做的就是從算法和業務角度盡可能減少 shuffle 和 stage，提升并行計算性能，這塊是個大的話題，本次不展開詳述。

(3)參數設置不合理

這塊技巧相對通用，咱們來看看之前的核心參數設置：

num-executors=10 || 20 ，executor-cores=1 || 2， executor-memory= 10 || 20，driver-memory=20，spark.default.parallelism=64 

假設咱們的 spark 隊列資源情況如下：

memory=1T，cores=400 

參數怎么設置在這里就有些技巧了，首先得明白 spark 資源的分配和使用原理：

在默認的非動態資源分配場景下， spark 是預申請資源，任務還沒起跑就獨占資源，一直到整個 job 所有 task 結束，比如你跳板機起了一個 spark-shell 一直沒退出，也沒執行任務，那也會一直占有所有申請的資源。(如果設置了 num-executors，動態資源分配會失效)

注意上面這句話，spark 的資源使用分配方式和 mapreduce/hive 是有很大差別的，如果不理解這個問題就會在參數設置上引發其它問題。

比如 executor-cores 設多少合適?少了任務并行度不行，多了會把整個隊列資源獨占耗光，其他同學的任務都無法執行，比如上面那個任務，在 num-executors=20 executor-cores=1 executor-memory= 10 的情況下，會獨占20個cores，200G內存，一直持續3個小時。

那針對本case中的任務，結合咱們現有的資源，如何設置這 5 個核心參數呢?

• 1) executor_cores*num_executors 不宜太小或太大!一般不超過總隊列 cores 的 25%，比如隊列總 cores 400，***不要超過100，最小不建議低于 40，除非日志量很小。
• 2) executor_cores 不宜為1!否則 work 進程中線程數過少，一般 2~4 為宜。
• 3) executor_memory 一般 6~10g 為宜，***不超過 20G，否則會導致 GC 代價過高，或資源浪費嚴重。
• 4) spark_parallelism 一般為 executor_cores*num_executors 的 1~4 倍，系統默認值 64，不設置的話會導致 task 很多的時候被分批串行執行，或大量 cores 空閑，資源浪費嚴重。
• 5) driver-memory 早前有同學設置 20G，其實 driver 不做任何計算和存儲，只是下發任務與yarn資源管理器和task交互，除非你是 spark-shell，否則一般 1-2g 就夠了。

Spark Memory Manager：

• 6)spark.shuffle.memoryFraction(默認 0.2) ，也叫 ExecutionMemory。這片內存區域是為了解決 shuffles,joins, sorts and aggregations 過程中為了避免頻繁IO需要的buffer。如果你的程序有大量這類操作可以適當調高。
• 7)spark.storage.memoryFraction(默認0.6)，也叫 StorageMemory。這片內存區域是為了解決 block cache(就是你顯示調用dd.cache, rdd.persist等方法), 還有就是broadcasts,以及task results的存儲。可以通過參數，如果你大量調用了持久化操作或廣播變量，那可以適當調高它。
• 8)OtherMemory，給系統預留的，因為程序本身運行也是需要內存的， ​(默認為0.2)。Other memory在1.6也做了調整，保證至少有300m可用。你也可以手動設置 spark.testing.reservedMemory . 然后把實際可用內存減去這個reservedMemory得到 usableMemory。 ExecutionMemory 和 StorageMemory 會共享usableMemory * 0.75的內存。0.75可以通過 新參數 spark.memory.fraction 設置。目前spark.memory.storageFraction 默認值是0.5,所以ExecutionMemory，StorageMemory默認情況是均分上面提到的可用內存的。

例如，如果需要加載大的字典文件，可以增大executor中 StorageMemory 的大小，這樣就可以避免全局字典換入換出，減少GC，在這種情況下，我們相當于用內存資源來換取了執行效率。

效果如下：

(4)通過執行日志分析性能瓶頸

***的任務還需要一個小時，那這一個小時究竟耗在哪了?按我的經驗和理解，一般單天的數據如果不是太大，不涉及復雜迭代計算，不應該超過半小時才對。

由于集群的 Spark History Server 還沒安裝調試好，沒法通過 spark web UI 查看歷史任務的可視化執行細節，所以我寫了個小腳本分析了下前后具體的計算耗時信息，可以一目了然的看到是哪個 stage 的問題，有針對性的優化。

可以看到優化后的瓶頸主要在***寫 redis 的階段，要把 60G 的數據，25億條結果寫入 redis，這對 redis 來說是個挑戰，這個就只能從寫入數據量和 kv 數據庫選型兩個角度來優化了。

(5)其它優化角度

當然，優化和高性能是個很泛、很有挑戰的話題，除了前面提到的代碼、參數層面，還有怎樣防止或減少數據傾斜等，這都需要針對具體的場景和日志來分析，此處也不展開。

2、spark 初學者的一些誤區

對于初學者來說 spark 貌似無所不能而且高性能，甚至在某些博客、技術人眼里 spark 取代 mapreduce、hive、storm 分分鐘的事情，是大數據批處理、機器學習、實時處理等領域的銀彈。但事實確實如此嗎?

從上面這個 case 可以看到，會用 spark、會調 API 和能用好 spark，用的恰到好處是兩碼事，這要求咱們不僅了解其原理，還要了解業務場景，將合適的技術方案、工具和合適的業務場景結合——這世上本就不存在什么銀彈。。。

說道 spark 的性能，想要它快，就得充分利用好系統資源，尤其是內存和CPU：核心思想就是能用內存 cache 就別 spill 落磁盤，CPU 能并行就別串行，數據能 local 就別 shuffle。

別手握屠龍寶刀，卻用來切水果，還嫌不利索。:)