spark 调优经验（续二）

FAQ

1.      spark性能配置

我目前的环境是5台机器，每台机器8个核。如果有以下两种配置方案：

(a)

   SPARK_WORKER_INSTANCES = 8

   SPARK_WORKER_CORES = 1

 (b)

   SPARK_WORKER_INSTANCES = 1

      SPARK_WORKER_CORES = 8

 如何处理？

答： a方案每个节点会启动8个worker运行8个JVM，每个worker将会启动一个excutors， b方案将会启动一个worker运行一个JVM。如果数据很小，选择b方案，因为可以节省启动JVM的开销，如果数据很大，启动JVM的时间可以忽略，则选a方案。

如果5台机器的内存都是48g，a，b方案在添加如下配置：

(a)SPARK_WORKER_MEMORY = 6g     //给每个worker 分配6G 内存

(b)SPARK_WORKER_MEMORY = 48g

配置的时候注意：

SPARK_WORKER_CORES * SPARK_WORKER_INSTANCES= 每台机器总cores  

2.Hadoop配置详解：

1.core-site.xml

常用的设置：

 fs.default.name   hdfs://mastername:9000

这是一个描述集群中NameNode结点的URI(包括协议、主机名称、端口号)，集群里面的每一台机器都需要知道NameNode的地址。DataNode结点会先在NameNode上注册，这样它们的数据才可以被使用。独立的客户端程序通过这个URI跟DataNode交互，以取得文件的块列表。默认的文件系统的名称，默认的是设置单机配置，如果是伪分布式则设置hdfs://localhost:9000,如果是完全分布式则设置成hdfs://mastername:9000

 hadoop.tmp.dir    /tmp/hadoop-${user.name｝

hadoop.tmp.dir是hadoop文件系统依赖的基础设置，很多路径都依赖它，如果hdfs-site.xml中不配置namenode和datanode的存放位置，默认就放在这个路径中，所以最好设置，而且设置到持久目录中。使用默认的路径会根据不同的用户名生成不同的临时目录。

优化参数：

hadoop.logfile.size       10000000         日志文件最大为10M

hadoop.logfile.count      10               日志文件数量为10个

hadoop跑了很多任务后，可以通过设置hadoop.logfile.size和hadoop.logfile.count来设定最大的日志大小和数量来自动清楚日志。

io.file.buffer.size        4096             流文件的缓冲区为4K 

这是读写sequence file的buffer size,可以减少I/O次数，在大型的Hadoop cluster，建议使用更大的值。

hdfs-site.xml

常用设置：

dfs.replication    它决定着 系统里面的文件块的数据备份个数。对于一个实际的应用，它应该被设为3（这个数字并没有上限，但更多的备份可能并没有作用，而且会占用更多的空间）。少于三个的备份，可能会影响到数据的可靠性(系统故障时，也许会造成数据丢失)

dfs.data.dir   这是DataNode结点被指定要存储数据的本地文件系统路径。DataNode结点上的这个路径没有必要完全相同，因为每台机器的环境很可能是不一样的。但如果每台机器上的这个路径都是统一配置的话，会使工作变得简单一些。默认的情况下，它的hadoop.tmp.dir, 这个路径只能用于测试的目的，因为，它很可能会丢失掉一些数据。所以，这个值最好还是被覆盖。

dfs.name.dir   这是NameNode结点存储hadoop文件系统信息的本地系统路径。这个值只对NameNode有效，DataNode并不需要使用到它。上面对于/temp类型的警告，同样也适用于这里。在实际应用中，它最好被覆盖掉。

dfs.permissions       true     文件操作时的权限检查标识，控制读写权限，false不控制读写权限。

dfs.block.size              67108864          缺省的文件块大小为64M

hadoop fsck /文件目录 –files –locations –blocks  查看文件存储信息

用法：hadoop fsck [GENERIC_OPTIONS]<path> [-move | -delete | -openforwrite] [-files [-blocks [-locations |-racks]]]

<path>      检查的起始目录。

-move      移动受损文件到/lost+found

-delete     删除受损文件。

-openforwrite     打印出写打开的文件。

-files             打印出正被检查的文件。

-blocks     打印出块信息报告。

-locations     打印出每个块的位置信息。

-racks             打印出data-node的网络拓扑结构。

dfs.namenode.logging.level     info        输出日志类型

优化设置：

dfs.df.interval                60000         磁盘空间统计间隔为6秒

dfs.client.block.write.retries    3           块写入出错时的重试次数

dfs.heartbeat.interval           3          数据节点的心跳检测间隔时间

dfs.balance.bandwidthPerSec     1048576     启动负载均衡的数据节点可利用带宽最大值为1M

dfs.datanode.failed.volumes.tolerated      0      

决定停止数据节点提供服务充许卷的出错次数。0次则任何卷出错都要停止数据节点。

dfs.datanode.data.dir.perm 755          数据节点的存贮块的目录访问权限设置

更多信息请参读：

mapred-site.xml

mapreduce.framework.name         yarn

mapred.job.tracker     mastername:9001  作业跟踪管理器是否和MR任务在一个进程中。默认值是local，单节点。Job 运行的host和端口号。

mapred.local.dir       ${hadoop.tmp.dir}/mapred/local  MR的中介数据文件存放目录

mapred.system.dir     ${hadoop.tmp.dir}/mapred/system MR的控制文件存放目录

mapred.temp.dir       ${hadoop.tmp.dir}/mapred/temp   MR临时共享文件存放区

常见名词解释：

Driver：使用Driver这一概念的分布式框架很多，比如Hive等，spark中的Driver即运行Application的main() 函数并且创建SparkContext，创建sparkContext的目的是为了准备spark应用程序的运行环境，在spark中由SparkContext负责和clusterManager通信，进行资源的申请、任务的分配和监控等。当Excutor部分运行完毕后，Driver同时负责将SparkContext关闭，通常用SparkContext代表Driver。

  Excutor：某个Appliction运行在Worker节点上的一个进程，该进程负责运行某些Task，并且负责将数据存在内存或者磁盘上。每个Application都有各自独立的一批Excutor。在Spark on yarn 模式下，进程名称为CoarseGrainedExcutorBackend。一个CoarseGrainedExcutorBackend进程有且仅有一个Excutor对象，它负责将Task包装成taskRunner，并从线程池中抽取出一个空闲线程运行Task，每个CoarseGrainedExcutorBackend能并行运行的Task的数量就取决于分配给他的cpu的个数了。

 Cluster Manager：指的是在集群上获取资源的外部服务，目前有：

Standalone：Spark原生的资源管理，有Master负责资源的分配，可以在亚马逊的EC2上运行。

Apache Mesos：与Hadoop Mapreduce兼容性良好的一种资源调度框架；

Hadoop Yarn：主要是指的Yarn的ResourceManger；