Spark任务内存分配

Question

我正在尝试找出在群集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，对分区的大小有所了解会有所帮助，因为它会告诉你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，什么时候会发生什么   所有分区都可以放在一个执行器内的内存中？有一些   溢出在磁盘上，而其他人在内存中进行操作？火花了   为每个任务保留内存，如果检测到没有   足够，它安排任务吗？或者只是简单地跑出去   内存错误。

•   

  Q1 - 真正的并行性   执行程序还取决于执行程序可用的内存量？   换句话说，我的群集中可能有8个核心，但如果我没有   足够的内存一次加载我的数据的8个分区，然后我不会   完全平行。

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将在一个   每个执行者的较小数据子集。“

这是如何工作的？我的意思是火花可能适用于较小的子集，但如果总分区组无法适应内存，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question：

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会将to split input data automatically尝试到一些最佳分区数：

  

Spark会根据文件的大小自动设置要在每个文件上运行的“地图”任务的数量

可以指定正在执行的操作的分区数（例如cogroup：def cogroup[W](other: RDD[(K, W)], numPartitions: Int)），并且在任何RDD转换后也可以执行.repartition()。

此外，他们在文档的同一段后面说：

  

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能够计算caching the RDDs。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()有助于将结果保存在内存中或磁盘上。

每个执行程序内部都有一个在执行和存储之间浮动的内存池（有关详细信息，请参阅here）。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。有关详细信息，请参阅这些slides。在blog post中详细描述了执行程序和存储内存之间的平衡，这也有一个很好的例子：



OutOfMemory通常不是直接因为输入数据较大而发生，而是因为分区不佳以及因此大的辅助数据结构，如减速器上的HashMap（here文档再次建议分区多于执行程序） 。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（在运行时间内）的任务对于Spark来说是好的。

大纲：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毫秒。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？

简短回答：他们这样做。有关更多详细信息，请查看我上面提到的slides（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的并行性的想法，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，并且计算成为IO绑定（而不是受CPU限制）。

进一步阅读

我强烈建议整篇章节Tuning Spark和Spark Programming Guide。另见Alexey Grishchenko撰写的Spark Memory Management博客文章。