Spark任务内存分配

Question

我试图找出在我的集群节点上配置内存的最佳方法.但是我相信,为此,我需要进一步了解一些事情,例如spark如何处理任务中的内存.

例如,假设我有3个执行程序,每个执行程序可以并行运行多达8个任务(即8个核心).如果我有一个带有24个分区的RDD,这意味着理论上所有分区都可以并行处理.但是,如果我们在此处放大一个执行程序,则假定每个任务都可以将其分区放在内存中以对其进行操作.如果不是那么这意味着不会发生并行的8个任务,并且需要一些调度.

因此,我得出结论,如果一个人寻求真正的并行性,对分区大小有所了解会有所帮助,因为它会告诉您如何确定执行者的大小以实现真正的并行性.

• Q0 - 我只想更好地理解,当一个执行器中并非所有分区都能适合内存时会发生什么？有些是在磁盘上溢出而有些是在内存中进行操作吗？spark会
  为每个任务保留内存吗？如果它检测到没有足够的内存,它会安排任务吗？或者只是在
  内存不足错误中运行.

• Q1 - 执行程序中的真正并行性是否还取决于执行程序上可用的内存量？换句话说,我的群集中可能有8个核心,但如果我没有足够的内存来同时加载8个数据分区,那么我将不会完全并行.

作为最后一点,我已经多次看到以下声明,但发现它有点令人困惑:

"增加分区数量也有助于减少内存不足错误,因为这意味着Spark将为每个执行程序在较小的数据子集上运行."

这是如何工作的？我的意思是spark可以在较小的子集上工作,但如果总分区集合无论如何都不适合内存,会发生什么？

Answer 1

为什么要增加任务(分区)的数量？

我想先回答最后一个令你困惑的问题.以下是另一个问题的引用:

Spark不需要在内存中加载所有内容以便能够处理它.这是因为Spark会将数据划分为更小的块并分别对这些块进行操作.

事实上,默认情况下,Spark会尝试将输入数据自动拆分为一些最佳数量的分区:

Spark根据其大小自动设置要在每个文件上运行的"map"任务的数量

人们可以指定正在执行(如用于操作的分区数cogroup:def cogroup[W](other: RDD[(K, W)], numPartitions: Int)),并且也做了.repartition()任何RDD改造后.

此外,他们在文件的同一段后面说:

通常,我们建议群集中每个CPU核心有2-3个任务.

总结:

1. 默认的分区数是一个好的开始;
2. 通常建议每个CPU使用2-3个分区.

Spark如何处理不适合内存的输入？

简而言之,通过划分输入和中间结果(RDD).通常,每个小块都适合执行程序可用的内存,并且可以快速处理.

Spark能够缓存它已计算的RDD.默认情况下,每次重复使用RDD时,都会重新计算(不会缓存); 调用.cache()或.persist()可以帮助保持已在内存中或磁盘上计算的结果.

在内部,每个执行程序都有一个在执行和存储之间浮动的内存池(有关详细信息,请参见此处).当没有足够的内存用于任务执行时,Spark首先尝试逐出某些存储缓存,然后将任务数据溢出到磁盘上.请参阅这些幻灯片了解更多详情 此博客文章中详细描述了执行程序和存储内存之间的平衡,其中也有一个很好的说明:

OutOfMemory通常不会直接因为大量输入数据而发生,而是因为分区不佳以及因此大型辅助数据结构,如HashMap减速器(此处文档再次建议拥有比执行程序更多的分区).所以,不,OutOfMemory不会因为大输入而发生,但处理起来可能会非常慢(因为它必须从磁盘写入/读取).他们还建议使用小到200毫秒(运行时间)的任务对于Spark来说是好的.

概述:正确拆分数据:每个核心超过1个分区,每个任务的运行时间应> 200 ms.默认分区是一个很好的起点,手动调整参数.

(我建议在1/8群集上使用1/8的输入数据子集来查找最佳分区数.)

同一执行者内的任务是否相互影响？

简短的回答:他们这样做.有关更多详细信息,请查看我上面提到的幻灯片(从幻灯片#32开始).

所有N个任务都获得了可用内存的第N部分,从而影响了彼此的"并行性".如果我很好地解释你的真正并行性的想法,那就是"充分利用CPU资源".在这种情况下,是的,小内存池将导致磁盘上的数据溢出,并且计算变为IO绑定(而不是受CPU限制).

进一步阅读

我强烈推荐整个Tuning Spark和Spark Programming Guide一章.另见Alexey Grishchenko 关于Spark Memory Management的博客文章.