內存不過是計算機分級存儲系統中的靠近cpu的一個存儲介質。

1. spark運行起來內存里都存的啥?
2. 如何管理里面所存的東西?
3. spark用java和scala這樣的jvm語言寫的，沒有像c語言那樣顯式申請釋放內存，如何進行內存的管理的?
4. 我們應該如何設置spark關于內存的參數?

[[278720]]

我們一起來解決這些問題

一、內存模型

遠古大神曾告訴我們這個神秘公式：程序=算法+數據。

1.1 什么是內存模型

內存模型就是告訴我們怎么劃分內存、怎么合理利用我們的內存。

首先我們要存什么，根據大神的公式，我們這樣來分析：

• 數據：就是我們代碼操作的數據，比如人的數據(年齡、職位等)或者輸入的某個值。這些可在運行時將要計算的部分數據加載到內存。
• 算法：就是操作數據的邏輯，表現形式就是代碼或者編譯后的指令。當然它要運行起來，會依賴一部分內存，來儲存程序計數器(代碼執行到那一句了)、函數調用棧等運行時需要的數據。總而言之就是執行數據操作邏輯所必要的內存。

這下我們就可以把我們需要儲存的東西分為數據區和執行區。

二、spark內存模型

2.1 spark為啥快

我們都知道spark之所以比mapreduce計算的快，是因為他是基于內存的，不用每次計算完都寫磁盤，再讀取出來進行下一次計算，spark直接把內存作為數據的臨時儲存介質。所以mapreduce就沒有強調內存管理，而spark需要管理內存。

2.2 spark管理的內存

系統區：spark運行自身的代碼需要一定的空間。

用戶區：我們自己寫的一些udf之類的代碼也需要一定的空間來運行。

存儲區：spark的任務就是操作數據，spark為了快可能把數據存內存，而這些數據也需要占用空間。

執行區：spark操作數據的單元是partition，spark在執行一些shuffle、join、sort、aggregation之類的操作，需要把partition加載到內存進行運算，這也會運用到部分內存。

2.3 spark內存模型

spark內存

上圖就是spark內存劃分的圖了

我們從下到上一層一層的解釋：

• 第1層：整個excutor所用到的內存
• 第2層：分為jvm中的內存和jvm外的內存，這里的jvm內存在yarn的時候就是指申請的container的內存
• 第3層：對于spark來內存分為jvm堆內的和memoryoverhead、off-heap
• jvm堆內的下一層再說
• memoryOverhead 對應的參數就是spark.yarn.executor.memoryOverhead 這塊內存是用于虛擬機的開銷、內部的字符串、還有一些本地開銷(比如python需要用到的內存)等。其實就是額外的內存，spark并不會對這塊內存進行管理。
• off-heap 這里特指的spark.memory.offHeap.size這個參數指定的內存(廣義上是指所有堆外的)。這部分內存的申請和釋放是直接進行的不通過jvm管控所以沒有GC，被spark分為storage和excution兩部分和第5層講的一同被spark統一進行管理。
• 第4層：jvm堆內的內存分為三個部分
• reservedMemory 預留內存300M，用于保障spark正常運行
• other memory 用于spark內部的一些元數據、用戶的數據結構、防止出現對內存估計不足導致oom時的內存緩沖、占用空間比較大的記錄做緩沖
• memory faction spark主要控制的內存，由參數spark.memory.fraction控制。
• 第5層：分成storage和execution 由參數spark.memory.storageFraction控制它兩的大小，但是
• execution 用于spark的計算：shuffle、sort、aggregation等這些計算時會用到的內存，如果計算是內存不足會向storage部分借，如果還是不夠就會spill到磁盤。
• storage 主要用于rdd的緩存，如果execution來借內存，可能會犧牲自己丟棄緩存來借給execution，storage也可以向execution借內存，但execution不會犧牲自己。

三、源碼層面

3.1 整體架構

內存管理

• 內存申請和釋放(綠色)：
• 看上圖綠色那塊，就是內存的申請和釋放模塊。MemoryAllocator接口負責內存申請，有兩個子類實現分別負責堆內內存和off-heap內存。
• 內存池(粉色):
• MemoryPool內存池有兩個子類分別管理著執行內存和儲存內存。可以看到兩種內存池的申請方法的參數有很明顯的區別，執行內存主要是面向task的，而儲存內存主要是面向block的也就是用于rdd緩存呀啥的。
• 統一內存管理：
• MemoryManager負責記錄內存的消耗，管理這4個內存池，子類UnifiedMemoryManager負責把這執行內存和儲存內存統一起來管理，實現相互借用之類的功能。
• MemoryManager的使用場景
• 一個是BlockManager用于管理儲存，還有一部分是運行Task是的內存使用，主要有executor的使用，shuffle時spill呀外部排序呀，這樣的場景。

3.2 如何實現內存申請釋放。

spark是用scala和java實現的，印象中沒有管理內存申請釋放的api，spark是如何利用這些jvm語言管理內存的呢。

我們來看看源碼片段

//HeapMemoryAllocator.scala 
private final Map<Long, LinkedList<WeakReference<long[]>>> bufferPoolsBySize = new HashMap<>(); 
…… 
 public MemoryBlock allocate(long size) throws OutOfMemoryError { 
…… 上面是些內存的判斷 …… 
 long[] array = new long[numWords]; 
//上面這就很關鍵了  
 MemoryBlock memory = new MemoryBlock(array, Platform.LONG_ARRAY_OFFSET, size); 
 if (MemoryAllocator.MEMORY_DEBUG_FILL_ENABLED) { 
 memory.fill(MemoryAllocator.MEMORY_DEBUG_FILL_CLEAN_VALUE); 
 } 
 return memory; 
 } 

HeapMemoryAllocator可以看到上面的源碼片段，實際的內存申請是這個代碼：new long[numWords]; 就是new了個數組來占著內存，用MemoryBlock 包裝了一下。bufferPoolsBySize這個是為了防止內存頻繁申請和釋放做的buffer。

接下來看看off-heap是怎么申請內存的。

//UnsafeMemoryAllocator 
 public MemoryBlock allocate(long size) throws OutOfMemoryError { 
 long address = Platform.allocateMemory(size); 
 MemoryBlock memory = new MemoryBlock(null, address, size); 
 if (MemoryAllocator.MEMORY_DEBUG_FILL_ENABLED) { 
 memory.fill(MemoryAllocator.MEMORY_DEBUG_FILL_CLEAN_VALUE); 
 } 
 return memory; 
 } 

offheap的就和C語言一樣的了可以直接使用api來申請。這部分內存就需要自己進行管理了，沒有jvm的控制，沒有內存回收機制。

當然這也不意味了你能無限制的使用內存，在yarn的情況下，yarn是監測子進程的內存占用來看你是否超了內存，如果超了直接kill掉。

四、總結

我們能回答開頭提出的幾個問題了嗎?還是又有了更多的問題呢。