[TOC]
文章目的:
- 经常遇到OOM,希望能合理的扩大内存来避免oom
- 合理利用内存空间进行缓存,来避免重复计算
- 理智的设置spark内存相关参数
1.spark内存的划分
2.不同内存的作用
3.用spark参数控制内存划分
内存划分
- Exector内存 = 堆内内存(On-heap) + 堆外内存(Off-heap)
- 堆内内存 = 可用内存 + 预留内存
- 可用内存 = 统一内存(Unified Memory) + 其它内存
- 统一内存 = Storage内存 + Execution内存
- 可用内存 = 统一内存(Unified Memory) + 其它内存
- 堆外内存 = Storage内存 + Execution内存
- 堆内内存 = 可用内存 + 预留内存
内存作用
Driver内存:
- 创建spark环境
- 提交spark作业
- 把作业解析为task
- 协调executor的任务调度
Exector内存
- 执行计算task,将结果返回给Driver
- 缓存rdd
Exector内存 - 堆内内存
- Storage内存:缓存rdd,缓存Broadcast对象
- Execution内存:Shuffle时占用的内存
- 其他内存:spark对象实例,用户自定义对象实例
Exector内存 - 堆外内存
- 堆内的Storage内存和Execution内存不够用时使用堆外内存
- 可以避免不必要内存开销,避免频繁GC扫描&回收
统一内存管理
saprk1.6以后引入统一内存管理机制,可以让Storage内存和Execution内存之间相互动态占用
- Storage内存和Execution内存都不够:存储到硬盘
- Execution内存被Storage内存占,可以将Storage内存占用的部分转移到硬盘,然后回收被占用内存,并且使用
- Storage内存被Execution内存占,被占用内存无法回收,等待被释放
Storage内存 - RDD缓存
缓存的意义:task启动之后要读取数据分区时,会先判断这个分区是否被持久化过。一个rdd要是多次参与计算,通过持久化就可以减少重复读取。
常见的cache默认是MEMORY_ONLY的级别,持久化到内存
rdd的持久化由Storage负责,Storage中以block以基础单位,每个partition对应一个block
rdd的持久化策略包括三个维度
- 位置:存在内存,硬盘,或者内存+硬盘,内存又可以选择堆内或者堆外
- 形式:是否序列化
- 备份:备份数量
Execution内存 - shuffle read/write
shuffle write
- map时使用普通排序,会执行外排ExternalSorter,内存中数据占用堆内Execution内存
- map时使用Tungsten,排序数据可以使用堆内或者堆外
shuffle read
- reduce聚合时,由Aggregator处理数据,占用堆内Execution内存
- 结果需要排序的,使用外排ExternalSorter,占用堆内Execution内存
spark内存相关参数
Executor内存参数
- 堆内内存
- 堆内内存大小spark.executor.memory
- 堆外内存
- 开启堆外内存:spark.memory.offHeap.enabled
- 堆外内存大小:spark.memory.offHeap.size
- 堆外内存Storage & Execution比例:spark.memory.storageFraction(default:0.5)
- 统一内存占堆内内存比例:spark.memory.fraction(default:0.6)
- Storage & Execution比例:spark.storage.storageFraction(default:0.5)
参考:Spark 内存管理