spark性能调优-数据本地化等待时长

Posted by luoxuehuan on March 8, 2017

一、进程本地化级别

1.PROCESS_LOCAL:进程本地化,

代码和数据在同一个进程中,也就是在同一个executor中;计算数据的task由executor执行,数据在executor的BlockManager中;性能最好.

2.NODE_LOCAL:节点本地化

代码和数据在同一个节点中;比如说,数据作为一个HDFS block块,就在节点上,而task在节点上某个executor中运行;或者是,数据和task在一个节点上的不同executor中;数据需要在进程间进行传输

3.NO_PREF

对于task来说,数据从哪里获取都一样,没有好坏之分

4.RACK_LOCAL:机架本地化

数据和task在一个机架的两个节点上;数据需要通过网络在节点之间进行传输

5.ANY

数据和task可能在集群中的任何地方,而且不在一个机架中,性能最差

二、数据本地化等待时长

spark.locality.wait,默认是3s

降级!!!!!!! 次一点的还不行,再等待3秒。 再降级!!!等待。最后不行,就用最坏的!!!!

二、何时需要调节

怎么调?

看运行日志! 看WebUI

我们什么时候要调节这个参数?怎么调节!

观察日志,spark作业的运行日志,推荐大家在测试的时候,先用client模式,在本地就直接可以看到比较全的日志。 日志里面会显示,starting task。。。,PROCESS LOCAL、NODE LOCAL

观察大部分task的数据本地化级别 如果大多都是PROCESS_LOCAL,那就不用调节了

如果是发现,好多的级别都是NODE_LOCAL、ANY,那么最好就去调节一下数据本地化的等待时长。

调节完,应该是要反复调节,每次调节完以后,再来运行,观察日志 看看大部分的task的本地化级别有没有提升;看看,整个spark作业的运行时间有没有缩短。

注意

本末倒置,本地化级别倒是提升了, 但是因为大量的等待时长,spark作业的运行时间反而增加了,那就还是不要调节了。

三、怎么调节?

spark.locality.wait,默认是3s;6s,10s

默认情况下,下面3个的等待时长,都是跟上面那个是一样的,都是3s

spark.locality.wait.process spark.locality.wait.node spark.locality.wait.rack

new SparkConf() .set(“spark.locality.wait”, “10”)

四、原理浅析

Spark在Driver上,对Application的每一个stage的task进行分配之前,都会计算出每个task要计算的是哪个分片数据,RDD的某个partion; Spark的task分配算法,优先。会希望每个task正好分配到它要计算的数据所在的节点,这样的话,就不用在网络上传输数据。

有时,事与愿违,task没有机会正好分配到数据所在的节点。

为什么呢? 可能那个节点的计算资源和计算能力都满了。 通常会等待一段时间,默认3s。(不是绝对的,还有很多种情况,)

默认情况下是3s钟(不是绝对的,还有很多种情况,对不同的本地化级别,都会去等待),到最后,实在是等待不了了,就会选择一个比较差的本地化级别,

比如说,将task分配到靠它要计算的数据所在节点,比较近的一个节点,然后进行计算。

但是对于第二种情况,通常来说,肯定是要发生数据传输,task会通过其所在节点的BlockManager来获取数据,

BlockManager发现自己本地没有数据,会通过一个getRemote()方法,

通过TransferService(网络数据传输组件)从数据所在节点的BlockManager中,获取数据,通过网络传输回task所在节点。

对于我们来说,当然不希望是类似于第二种情况的了。

最好的,当然是task和数据在一个节点上,直接从本地executor的BlockManager中获取数据,纯内存,或者带一点磁盘IO;

如果要通过网络传输数据的话,那么实在是,性能肯定会下降的,大量网络传输,以及磁盘IO,都是性能的杀手。