网站做的不好,个人网站建设心得,找精准客户的app,手机棋牌网站大全Hive on Spark的小文件设置参数
参数调优 了解完了Spark作业运行的基本原理之后#xff0c;对资源相关的参数就容易理解了。所谓的Spark资源参数调优#xff0c;其实主要就是对Spark运行过程中各个使用资源的地方#xff0c;通过调节各种参数#xff0c;来优化资源使用的效…Hive on Spark的小文件设置参数
参数调优 了解完了Spark作业运行的基本原理之后对资源相关的参数就容易理解了。所谓的Spark资源参数调优其实主要就是对Spark运行过程中各个使用资源的地方通过调节各种参数来优化资源使用的效率从而提升Spark作业的执行性能。以下参数就是Spark中主要的资源参数每个参数都对应着作业运行原理中的某个部分。
num-executors/spark.executor.instances
参数说明该参数用于设置Spark作业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时YARN集群管理器会尽可能按照你的设置来在集群的各个工作节点上启动相应数量的Executor进程。这个参数非常之重要如果不设置的话默认只会给你启动少量的Executor进程此时你的Spark作业的运行速度是非常慢的。
参数调优建议每个Spark作业的运行一般设置50~100个左右的Executor进程比较合适设置太少或太多的Executor进程都不好。设置的太少无法充分利用集群资源设置的太多的话大部分队列可能无法给予充分的资源。
executor-memory/spark.executor.memory
参数说明该参数用于设置每个Executor进程的内存。Executor内存的大小很多时候直接决定了Spark作业的性能而且跟常见的JVM OOM异常也有直接的关联。
参数调优建议每个Executor进程的内存设置4G8G较为合适。但是这只是一个参考值具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列的最大内存限制是多少num-executors乘以executor-memory是不能超过队列的最大内存量的。此外如果你是跟团队里其他人共享这个资源队列那么申请的内存量最好不要超过资源队列最大总内存的1/31/2避免你自己的Spark作业占用了队列所有的资源导致别的同学的作业无法运行。
executor-cores/spark.executor.cores
参数说明该参数用于设置每个Executor进程的CPU core数量。这个参数决定了每个Executor进程并行执行task线程的能力。因为每个CPU core同一时间只能执行一个task线程因此每个Executor进程的CPU core数量越多越能够快速地执行完分配给自己的所有task线程。
参数调优建议Executor的CPU core数量设置为2~4个较为合适。同样得根据不同部门的资源队列来定可以看看自己的资源队列的最大CPU core限制是多少再依据设置的Executor数量来决定每个Executor进程可以分配到几个CPU core。同样建议如果是跟他人共享这个队列那么num-executors * executor-cores不要超过队列总CPU core的1/3~1/2左右比较合适也是避免影响其他同学的作业运行。
driver-memory
参数调优建议Driver的内存通常来说不设置或者设置1G左右应该就够了。唯一需要注意的一点是如果需要使用collect算子将RDD的数据全部拉取到Driver上进行处理那么必须确保Driver的内存足够大否则会出现OOM内存溢出的问题。
spark.default.parallelism
参数说明该参数用于设置每个stage的默认task数量。这个参数极为重要如果不设置可能会直接影响你的Spark作业性能。
参数调优建议Spark作业的默认task数量为500~1000个较为合适。很多同学常犯的一个错误就是不去设置这个参数那么此时就会导致Spark自己根据底层HDFS的block数量来设置task的数量默认是一个HDFS block对应一个task。通常来说Spark默认设置的数量是偏少的比如就几十个task如果task数量偏少的话就会导致你前面设置好的Executor的参数都前功尽弃。试想一下无论你的Executor进程有多少个内存和CPU有多大但是task只有1个或者10个那么90%的Executor进程可能根本就没有task执行也就是白白浪费了资源因此Spark官网建议的设置原则是设置该参数为num-executors * executor-cores的2~3倍较为合适比如Executor的总CPU core数量为300个那么设置1000个task是可以的此时可以充分地利用Spark集群的资源。
spark.storage.memoryFraction
参数说明该参数用于设置RDD持久化数据在Executor内存中能占的比例默认是0.6。也就是说默认Executor 60%的内存可以用来保存持久化的RDD数据。根据你选择的不同的持久化策略如果内存不够时可能数据就不会持久化或者数据会写入磁盘。
参数调优建议如果Spark作业中有较多的RDD持久化操作该参数的值可以适当提高一些保证持久化的数据能够容纳在内存中。避免内存不够缓存所有的数据导致数据只能写入磁盘中降低了性能。但是如果Spark作业中的shuffle类操作比较多而持久化操作比较少那么这个参数的值适当降低一些比较合适。此外如果发现作业由于频繁的gc导致运行缓慢通过spark web ui可以观察到作业的gc耗时意味着task执行用户代码的内存不够用那么同样建议调低这个参数的值。
spark.shuffle.memoryFraction
参数说明该参数用于设置shuffle过程中一个task拉取到上个stage的task的输出后进行聚合操作时能够使用的Executor内存的比例默认是0.2。也就是说Executor默认只有20%的内存用来进行该操作。shuffle操作在进行聚合时如果发现使用的内存超出了这个20%的限制那么多余的数据就会溢写到磁盘文件中去此时就会极大地降低性能。
参数调优建议如果Spark作业中的RDD持久化操作较少shuffle操作较多时建议降低持久化操作的内存占比提高shuffle操作的内存占比比例避免shuffle过程中数据过多时内存不够用必须溢写到磁盘上降低了性能。此外如果发现作业由于频繁的gc导致运行缓慢意味着task执行用户代码的内存不够用那么同样建议调低这个参数的值。
–设置执行器个数 set spark.executor.instances4; –设置执行器计算核个数 set spark.executor.cores4; –设置执行器内存 set spark.executor.memory8g; –设置每个executor的jvm堆外内存
set spark.yarn.executor.memoryOverhead4096; hive.merge.sparkfiles 是否在hive on spark任务后开启小文件合并 hive.merge.smallfiles.avgsize 如果原先输出的文件平均大小小于这个值则开启小文件合并。比如输出原本有100个文件总大小1G那平均每个文件大小只有10M如果我们这个参数设置为16M这时就会开启文件合并 hive.merge.size.per.task 开启小文件合并后预期的一个合并文件的大小。比如原先的总大小有1G我们预期一个文件256M的话那么最终经过合并会生成4个文件。
我们都知道mr控制mapreduce数量及合并小文件大小的相关参数其实hive on spark同时适用
-- 控制map阶段的并行度-- 每个Map最大输入大小决定合并后的文件数set mapred.max.split.size268435456; -- 一个节点上split的至少的大小 决定了多个data node上的文件是否需要合并set mapred.min.split.size.per.node268435456; -- 一个交换机下split的至少的大小决定了多个交换机上的文件是否需要合并set mapred.min.split.size.per.rack268435456; -- 执行Map前进行小文件合并 在map执行前合并小文件减少map数set hive.input.formatorg.apache.hadoop.hive.ql.io.CombineHiveInputFormat; -- 控制shuffle的并行度-- 每个Reduce处理的数据量set hive.exec.reducers.bytes.per.reducer268435456;-- 最大reduce数量set hive.exec.reducers.max1099;-- 控制最终输出hdfs的单个文件大小影响merge阶段的并行度hive.merge.sparkFilestrue生效-- 合并后每个文件的大小set hive.merge.size.per.task268435456;-- 平均文件大小是决定是否执行merge阶段操作的阈值当输出文件的平均大小小于该值时启动一个独立的任务进行文件mergeset hive.merge.smallfiles.avgsize134217728;
