27_spark五—yarn

spark内存计算框架

• 1、spark on yarn 原理和机制（★★★★★）

  • yarn-client
  • yarn-cluster

• 2、collect算子操作作用

  • 第一点
    • 它是一个action触发任务的真正运行
  • 第二点
    • 它会把rdd的数据进行收集之后，以数组的形式返回给Driver端

• 3、spark中计算资源的参数说明（★★★★★）

  • –executor-memory
  • –total-executor-cores

• 4、spark的shuffle原理分析（★★★★★）

  • HashShuffle
    • 普通的hashShuffle
    • 合并机制的hashShuffle
      • 重复利用buffer缓冲区，减少生成的磁盘文件个数
  • sort Shuffle
    • 普通的sortShuffle
      • 后期会进行数据的排序，并且一个task生成一个磁盘文件和一个索引文件
    • bypass模式的sortShuffle
      • 这里可以通过参数去控制是否需要排序。
      • spark.shuffle.sort.bypassMergeThreshold<=200

1. spark on yarn

• 可以把spark程序提交到yarn中去运行，此时spark任务所需要的计算资源由yarn中的老大ResourceManager去分配
• 官网资料地址
  • http://spark.apache.org/docs/2.3.3/running-on-yarn.html
• 环境准备
  • 1、安装hadoop集群
  • 2、安装spark环境
    • 注意这里不需要安装spark集群
      • 只需要解压spark安装包到任意一台服务器
        • 修改文件 spark-env.sh

#指定java的环境变量
export JAVA_HOME=/kkb/install/jdk1.8.0_141
#指定hadoop的配置文件目录
export HADOOP_CONF_DIR=/kkb/install/hadoop-2.6.0-cdh5.14.2/etc/hadoop

• 按照Spark应用程序中的driver分布方式不同，Spark on YARN有两种模式：
  • yarn-client模式、yarn-cluster模式

1.1 yarn-cluster模式

• yarn-cluster模式下提交任务示例

spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 1 \
/kkb/install/spark/examples/jars/spark-examples_2.11-2.3.3.jar \
10  

10是main方法里面的参数

• 如果运行出现错误，可能是虚拟内存不足，可以添加参数

  • vim yarn-site.xml

  <!--容器是否会执行物理内存限制默认为True-->
  <property>
      <name>yarn.nodemanager.pmem-check-enabled</name>
      <value>false</value>
  </property>
  
  <!--容器是否会执行虚拟内存限制    默认为True-->
  <property>
      <name>yarn.nodemanager.vmem-check-enabled</name>
      <value>false</value>
  </property>
  

1.2 yarn-client模式

• yarn-client模式下提交任务示例

spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 1 \
/kkb/install/spark/examples/jars/spark-examples_2.11-2.3.3.jar \
10

1.3 两种模式的原理

• yarn-cluster模式

• yarn-client模式

1.4 两种模式的区别

• yarn-cluster模式

  • spark程序的Driver程序在YARN中运行，运行结果不能在客户端显示，并且客户端可以在启动应用程序后消失应用的。
  • 最好运行那些将结果最终保存在外部存储介质（如HDFS、Redis、Mysql），客户端的终端显示的仅是作为YARN的job的简单运行状况。

• yarn-client模式

  • spark程序的Driver运行在Client上，应用程序运行结果会在客户端显示，所有适合运行结果有输出的应用程序（如spark-shell）

• 总结

  最大的区别就是Driver端的位置不一样。

  yarn-cluster: Driver端运行在yarn集群中，与ApplicationMaster进程在一起。
  yarn-client: Driver端运行在提交任务的客户端，与ApplicationMaster进程没关系,经常用于进行测试

2. collect 算子操作剖析

• collect算子操作的作用
  • 1、它是一个action操作，会触发任务的运行
  • 2、它会把RDD的数据进行收集之后，以数组的形式返回给Driver端

• 总结：

  • 默认Driver端的内存大小为1G，由参数 spark.driver.memory 设置

  • 如果某个rdd的数据量超过了Driver端默认的1G内存，对rdd调用collect操作，这里会出现Driver端的内存溢出，所有这个collect操作存在一定的风险，实际开发代码一般不会使用。

  • 实际企业中一般都会把该参数调大，比如5G/10G等

    • 可以在代码中修改该参数，如下

      new SparkConf().set("spark.driver.memory","5G")
      

比如说rdd的数据量达到了10G

rdd.collect这个操作非常危险，很有可能出现driver端的内存不足

3. spark任务中资源参数剖析

• 通过开发工具开发好spark程序后达成jar包最后提交到集群中运行
  • 提交任务脚本如下

spark-submit \
--master spark://node01:7077,node02:7077 \
--class com.kaikeba.WordCountOnSpark \
--executor-memory 1g  \
--total-executor-cores 4 \
original-spark_class03-1.0-SNAPSHOT.jar \
/words.txt  /out

• –executor-memory

  • 表示每一个executor进程需要的内存大小，它决定了后期操作数据的速度

比如说一个rdd的数据量大小为5g,这里给定的executor-memory为2g,
在这种情况下，内存是存储不下，它会把一部分数据保存在内存中，还有一部分数据保存在磁盘，后续需要用到该rdd的结果数据，可以从内存和磁盘中获取得到，这里就涉及到一定的磁盘io操作。
,这里给定的executor-memory为10g，这里数据就可以完全在内存中存储下，后续需要用到该rdd的数据，就可以直接从内存中获取，这样一来，避免了大量的磁盘io操作。性能得到提升。

在实际的工作，这里 --executor-memory 需要设置的大一点。 比如说10G/20G/30G等

• –total-executor-cores

  • 表示任务运行需要总的cpu核数，它决定了任务并行运行的粒度

比如说要处理100个task，注意一个cpu在同一时间只能处理一个task线程。
如果给定的总的cpu核数是5个，这里就需要100/5=20个批次才可以把这100个task运行完成，如果平均每个task运行1分钟，这里最后一共运行20分钟。
如果给定的总的cpu核数是20个，这里就需要100/20=5个批次才可以把这100个task运行完成，如果平均每个task运行1分钟，这里最后一共运行5分钟。
如果如果给定的总的cpu核数是100个，这里就需要100/100=1个批次才可以把这100个task运行完成，如果平均每个task运行1分钟，这里最后一共运行1分钟。

在实际的生产环境中，–total-executor-cores 这个参数一般也会设置的大一点， 比如说 30个/50个/100个

• 总结

  后期对于spark程序的优化，可以从这2个参数入手，无论你把哪一个参数调大，对程序运行的效率来说都会达到一定程度的提升
  加大计算资源它是最直接、最有效果的优化手段。
  在计算资源有限的情况下，可以考虑其他方面，比如说代码层面，JVM层面等

4. spark任务的调度模式

• Spark中的调度模式主要有两种：FIFO 和 FAIR
  • FIFO（先进先出）
    • 默认情况下Spark的调度模式是FIFO，谁先提交谁先执行，后面的任务需要等待前面的任务执行。
  • FAIR（公平调度）
    • 支持在调度池中为任务进行分组，不同的调度池权重不同，任务可以按照权重来决定执行顺序。避免大任务运行时间长，占用了大量的资源，后面小任务无法提交运行。

5. spark任务的分配资源策略

• 给application分配资源选择worker（executor），现在有两种策略
  • 尽量的打散，即一个Application尽可能多的分配到不同的节点。这个可以通过设置spark.deploy.spreadOut来实现。默认值为true，即尽量的打散（默认）
    • 可以充分的发挥数据的本地性，提升执行效率

• 尽量的集中，即一个Application尽量分配到尽可能少的节点。
  

6. spark的shuffle原理分析

6.1 shuffle概述

Shuffle就是对数据进行重组，由于分布式计算的特性和要求，在实现细节上更加繁琐和复杂。
在MapReduce框架，Shuffle是连接Map和Reduce之间的桥梁，Map阶段通过shuffle读取数据并输出到对应的Reduce；而Reduce阶段负责从Map端拉取数据并进行计算。在整个shuffle过程中，往往伴随着大量的磁盘和网络I/O。所以shuffle性能的高低也直接决定了整个程序的性能高低。Spark也会有自己的shuffle实现过程。

6.2 spark中的shuffle介绍

在DAG调度的过程中，Stage阶段的划分是根据是否有shuffle过程，也就是存在wide Dependency宽依赖的时候,需要进行shuffle,这时候会将作业job划分成多个Stage，每一个stage内部有很多可以并行运行的task。

stage与stage之间的过程就是shuffle阶段，在Spark的中，负责shuffle过程的执行、计算和处理的组件主要就是ShuffleManager，也即shuffle管理器。ShuffleManager随着Spark的发展有两种实现的方式，分别为HashShuffleManager和SortShuffleManager，因此spark的Shuffle有Hash Shuffle和Sort Shuffle两种。

6.3 HashShuffle机制

6.3.1 HashShuffle概述

在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager。
该ShuffleManager-HashShuffleManager有着一个非常严重的弊端，就是会产生大量的中间磁盘文件，进而由大量的磁盘IO操作影响了性能。因此在Spark
1.2以后的版本中，默认的ShuffleManager改成了SortShuffleManager。 SortShuffleManager相较于HashShuffleManager来说，有了一定的改进。主要就在于每个Task在进行shuffle操作时，虽然也会产生较多的临时磁盘文件，但是最后会将所有的临时文件合并(merge)成一个磁盘文件，因此每个Task就只有一个磁盘文件。在下一个stage的shuffle
read task拉取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可。

• Hash shuffle
  • HashShuffleManager的运行机制主要分成两种
    • 一种是普通运行机制
    • 另一种是合并的运行机制。
  • 合并机制主要是通过复用buffer来优化Shuffle过程中产生的小文件的数量。
  • Hash shuffle是不具有排序的Shuffle。

6.3.2 普通机制的Hash shuffle

• 图解

  这里我们先明确一个假设前提：每个Executor只有1个CPU core，也就是说，无论这个Executor上分配多少个task线程，同一时间都只能执行一个task线程。

  图中有3个ReduceTask，从ShuffleMapTask 开始那边各自把自己进行 Hash 计算(分区器：hash/numreduce取模)，分类出3个不同的类别，每个 ShuffleMapTask 都分成3种类别的数据，想把不同的数据汇聚然后计算出最终的结果，所以ReduceTask 会在属于自己类别的数据收集过来，汇聚成一个同类别的大集合，每1个 ShuffleMapTask 输出3份本地文件，这里有4个 ShuffleMapTask，所以总共输出了4 x 3个分类文件 = 12个本地小文件。

• shuffle Write阶段

  主要就是在一个stage结束计算之后，为了下一个stage可以执行shuffle类的算子(比如reduceByKey，groupByKey)，而将每个task处理的数据按key进行“分区”。所谓“分区”，就是对相同的key执行hash算法，从而将相同key都写入同一个磁盘文件中，而每一个磁盘文件都只属于reduce端的stage的一个task。在将数据写入磁盘之前，会先将数据写入内存缓冲中，当内存缓冲填满之后，才会溢写到磁盘文件中去。

  那么每个执行shuffle write的task，要为下一个stage创建多少个磁盘文件呢? 很简单，下一个stage的task有多少个，当前stage的每个task就要创建多少份磁盘文件。比如下一个stage总共有100个task，那么当前stage的每个task都要创建100份磁盘文件。如果当前stage有50个task，总共有10个Executor，每个Executor执行5个Task，那么每个Executor上总共就要创建500个磁盘文件，所有Executor上会创建5000个磁盘文件。由此可见，未经优化的shuffle write操作所产生的磁盘文件的数量是极其惊人的。

• shuffle Read阶段

	shuffle read，通常就是一个stage刚开始时要做的事情。此时该stage的每一个task就需要将上一个stage的计算结果中的所有相同key，从各个节点上通过网络都拉取到自己所在的节点上，然后进行key的聚合或连接等操作。由于shuffle write的过程中，task给Reduce端的stage的每个task都创建了一个磁盘文件，因此shuffle read的过程中，每个task只要从上游stage的所有task所在节点上，拉取属于自己的那一个磁盘文件即可。

  shuffle read的拉取过程是一边拉取一边进行聚合的。每个shuffle read task都会有一个自己的buffer缓冲，每次都只能拉取与buffer缓冲相同大小的数据，然后通过内存中的一个Map进行聚合等操作。聚合完一批数据后，再拉取下一批数据，并放到buffer缓冲中进行聚合操作。以此类推，直到最后将所有数据到拉取完，并得到最终的结果。

• 注意

（1）buffer起到的是缓存作用，缓存能够加速写磁盘，提高计算的效率,buffer的默认大小32k。

（2）分区器：根据hash/numRedcue取模决定数据由几个Reduce处理，也决定了写入几个buffer中

（3）block file：磁盘小文件，从图中我们可以知道磁盘小文件的个数计算公式：
                 block file=M*R

 (4) M为map task的数量，R为Reduce的数量，一般Reduce的数量等于buffer的数量，都是由分区器决定的

• Hash shuffle普通机制的问题

（1).Shuffle阶段在磁盘上会产生海量的小文件，建立通信和拉取数据的次数变多,此时会产生大量耗时低效的 IO 操作 (因为产生过多的小文件)

（2).可能导致OOM，大量耗时低效的 IO 操作 ，导致写磁盘时的对象过多，读磁盘时候的对象也过多，这些对象存储在堆内存中，会导致堆内存不足，相应会导致频繁的GC，GC会导致OOM。由于内存中需要保存海量文件操作句柄和临时信息，如果数据处理的规模比较庞大的话，内存不可承受，会出现 OOM 等问题

6.3.3 合并机制的Hash shuffle

	合并机制就是复用buffer缓冲区，开启合并机制的配置是spark.shuffle.consolidateFiles。该参数默认值为false，将其设置为true即可开启优化机制。通常来说，如果我们使用HashShuffleManager，那么都建议开启这个选项。

• 图解

	这里有6个这里有6个shuffleMapTask，数据类别还是分成3种类型，因为Hash算法会根据你的 Key 进行分类，在同一个进程中，无论是有多少过Task，都会把同样的Key放在同一个Buffer里，然后把Buffer中的数据写入以Core数量为单位的本地文件中，(一个Core只有一种类型的Key的数据)，每1个Task所在的进程中，分别写入共同进程中的3份本地文件，这里有6个shuffleMapTasks，所以总共输出是 2个Cores x 3个分类文件 = 6个本地小文件。

• 注意

（1).启动HashShuffle的合并机制ConsolidatedShuffle的配置
   spark.shuffle.consolidateFiles=true

（2).block file=Core*R
	Core为CPU的核数，R为Reduce的数量

• Hash shuffle合并机制的问题

	如果 Reducer 端的并行任务或者是数据分片过多的话则 Core * Reducer Task 依旧过大，也会产生很多小文件。

6.4 Sort shuffle

• SortShuffleManager的运行机制主要分成两种，
  • 一种是普通运行机制
  • 另一种是bypass运行机制

6.4.1 Sort shuffle的普通机制

• 图解

	在该模式下，数据会先写入一个数据结构，聚合算子写入Map，一边通过Map局部聚合，一边写入内存。Join算子写入ArrayList直接写入内存中。然后需要判断是否达到阈值（5M），如果达到就会将内存数据结构的数据写入到磁盘，清空内存数据结构。

在溢写磁盘前，先根据key进行排序，排序过后的数据，会分批写入到磁盘文件中。默认批次为10000条，数据会以每批一万条写入到磁盘文件。写入磁盘文件通过缓冲区溢写的方式，每次溢写都会产生一个磁盘文件，也就是说一个task过程会产生多个临时文件
。

最后在每个task中，将所有的临时文件合并，这就是merge过程，此过程将所有临时文件读取出来，一次写入到最终文件。意味着一个task的所有数据都在这一个文件中。同时单独写一份索引文件，标识下游各个task的数据在文件中的索引start offset和end offset。

	这样算来如果第一个stage 50个task，每个Executor执行一个task，那么无论下游有几个task，就需要50*2=100个磁盘文件。

• 好处

1. 小文件明显变少了，一个task只生成一个file文件

2. file文件整体有序，加上索引文件的辅助，查找变快，虽然排序浪费一些性能，但是查找变快很多

6.4.2 bypass模式的sortShuffle

• bypass机制运行条件
  • shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值
  • 不是聚合类的shuffle算子（比如reduceByKey）

• 好处

    该机制与sortshuffle的普通机制相比，在shuffleMapTask不多的情况下，首先写的机制是不同，其次不会进行排序。这样就可以节约一部分性能开销。

• 总结

在shuffleMapTask数量小于默认值200时，
启用bypass模式的sortShuffle(原因是数据量本身比较少，没必要进行sort全排序，
因为数据量少本身查询速度就快，正好省了sort的那部分性能开销。)

该机制与普通SortShuffleManager运行机制的不同在于：
  第一: 磁盘写机制不同；
  第二: 不会进行sort排序；