Apache spark 火花纺纱机的性能问题

我们正试图在纱线上运行火花束。我们有一些性能问题，尤其是与独立模式相比

我们有一个由5个节点组成的集群，每个节点都有16GB的RAM和8个核心。我们已在warn-site.xml中将容器的最小大小配置为3GB，最大大小配置为14GB。将作业提交给纱线集群时，我们提供的执行器数量=10，执行器内存=14 GB。根据我的理解，我们的工作应该分配4个14GB的容器。但spark UI仅显示3个容器，每个容器的容量为7.2GB

我们无法确保集装箱编号和分配给它的资源。与独立模式相比，这会导致性能下降

你能指出如何优化纱线性能吗

这是我用于提交作业的命令：

$SPARK_HOME/bin/spark-submit --class "MyApp" --master yarn-cluster --num-executors 10 --executor-memory 14g  target/scala-2.10/my-application_2.10-1.0.jar  

讨论结束后，我更改了我的warn-site.xml文件以及spark submit命令

以下是新的warn-site.xml代码：

<property>
<name>yarn.resourcemanager.hostname</name>
<value>hm41</value>
</property>

<property>
<name>yarn.nodemanager.resource.memory-mb</name>
<value>14336</value>
</property>

<property>
<name>yarn.scheduler.minimum-allocation-mb</name>
<value>2560</value>
</property>

<property>
<name>yarn.scheduler.maximum-allocation-mb</name>
<value>13312</value>
</property>

有了这个，我可以在每台机器上获得6个内核，但每个节点的内存使用量仍然在5G左右。我已附上SPARKUI和htop的屏幕截图。

使用warn-site.xml检查

warn.nodemanager.resource.memory mb

的设置是否正确。据我所知，您的集群应该设置为14GB。此设置负责让纱线知道在该特定节点上可以使用多少内存

如果此设置正确，并且有5台服务器运行Thread NodeManager，则作业提交命令错误。首先，

--num executors

是将在集群上启动以执行的纱线容器的数量。您指定了10个容器，每个容器具有14GB RAM，但集群上没有这么多资源！其次，指定

--master warn cluster

，这意味着Spark驱动程序将在需要单独容器的warn应用程序主程序内部运行

在我看来，它显示了3个容器，因为在集群中的5个节点中，只有4个节点运行Thread NodeManager+您请求为每个容器分配14GB，因此Thread首先启动Application Master，然后轮询NM以获取可用资源，并查看它只能启动3个容器。关于堆大小，您可以看到，启动Spark后，找到它的JVM容器并查看它们的启动参数-您应该在一行中有许多-Xmx标志-一个正确，一个错误，您应该在配置文件（Hadoop或Spark）中找到它的来源

在向群集提交应用程序之前，使用相同的设置启动spark shell（将

纱线群集

替换为

纱线客户端

），并检查其启动方式，检查WebUI和JVM启动情况

您在SparkUI中看到的内存（7.2GB）是spark.storage.memoryFraction，默认为0.6。至于您丢失的执行者，您应该查看纱线资源管理器日志

仅仅因为纱线“认为”它有70GB（14GBx5），并不意味着在运行时集群上有70GB可用空间。您可能正在运行其他消耗内存的Hadoop组件（hive、HBase、flume、solr或您自己的应用程序等）。因此，纱线在运行时所做的决策是基于当前可用的数据，而您只有52GB（3x14GB）可用。顺便说一下，GB数字是近似值，因为它实际上是按每GB 1024MB计算的……所以您将看到小数

---

使用或top查看每个节点上还有哪些正在使用内存

我的{warn.nodemanager.resource.memory mb}是15GB，因为我们留给操作系统进程1GB，并允许nodemangaer分配其他15GB。我将我的提交呼叫修改为此--主纱线集群--num executors 5--executor memory 13gI怀疑与NM本身一起运行DataNode，因此在我看来15GB太多了，我不会超过14GB。我可以确定在创建容器期间/之后容器分配的RAM量是多少吗？我试图查看资源管理器的日志，但无法确定它的确切条目。我们的集群不是一个生产集群，也不是一个繁忙的集群，因此，如果我们能够确保spark获得它所能获得的所有RAM，那就没问题了@sietse Au这是否意味着spark容器获得了所需的内存，但只报告该部分？因为在我们的独立实现中，会报告整个内存。登录到Thread NM机器，运行

ps-ef | grep java | more

并找到Spark executor容器，查看

-Xmx

参数事实上不是0.6。它是“安全内存”的0.6，也就是整个堆的0.9，所以默认情况下它是JVM堆的0.54，而当我们这样做时，14GB实际上不是14GB，而是14GB+内存。但他不是这样问的，对吗？

$SPARK_HOME/bin/spark-submit --class "MyApp" --master yarn-cluster --num-executors 4 --executor-memory  10g --executor-cores 6   target/scala-2.10/my-application_2.10-1.0.jar