我正在运行一个有 2 个工作线程的 Spark 流应用程序。 应用程序具有连接和并集操作。
所有批处理均已成功完成,但注意到随机溢出指标与输入数据大小或输出数据大小不一致(溢出内存超过 20 倍)。
请在下图中找到 Spark 阶段的详细信息:
经过研究,发现
当没有足够的内存用于随机播放数据时,就会发生随机播放溢出。
随机溢出(内存)
- 溢出时内存中数据的反序列化形式的大小
shuffle spill (disk)
- 溢出后磁盘上数据序列化形式的大小
因为反序列化的数据比序列化的数据占用更多的空间。所以,Shuffle 溢出(内存)更多。
注意到,对于大量输入数据,溢出内存大小非常大。
我的查询是:
这种溢出是否会显着影响性能?
如何优化内存和磁盘溢出?
是否有任何 Spark 属性可以减少/控制这种巨大的溢出?
最佳答案
学习调优 Spark 性能需要大量的调查和学习。有一些很好的资源,包括this video 。 Spark 1.4 在界面中提供了一些更好的诊断和可视化功能,可以为您提供帮助。
总之,当阶段结束时 RDD 分区的大小超过 shuffle 缓冲区的可用内存量时,就会发生溢出。
你可以:
- 手动
repartition()
您的前一阶段,以便您从输入中获得更小的分区。 - 通过增加执行程序进程中的内存 (
spark.executor.memory
) 来增加洗牌缓冲区 - 通过增加分配给 shuffle 缓冲区的执行程序内存比例 (
spark.shuffle.memoryFraction
)(默认值 0.2)来增加 shuffle 缓冲区。您需要回馈spark.storage.memoryFraction
。 - 通过减少工作线程 (
SPARK_WORKER_CORES
) 与执行程序内存的比率来增加每个线程的洗牌缓冲区
如果有专家聆听,我很想了解更多有关内存分数设置如何交互及其合理范围的信息。
关于apache-spark - 如何优化 Apache Spark 应用程序中的 shuffle 溢出,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30797724/