Spark-On-Yarn的Executor、Cores和Memory的分配

在跑Spark-On-Yarn程序时，往往会对几个参数（num-executors，executor-cores，executor-memory等）理解很模糊，从而凭感觉地去指定值，这是不符合有追求程序员信仰的。因此，搞懂它们，很有必要。

理论引导

当配置参数时，请遵循下表，并将其推荐建议牢记于心！

Hadoop/Yarn/OS 守护进程：

当利用一个集群管理器（比如YARN）运行spark程序时，存在一些守护进程运行在后台，比如NameNode，Secondary NameNode，DataNode，ResourceManager和NodeManager。因此，当确定num-executors时，我们需要确保有足够的cores（大约每个节点一个core）维持这些守护进程的平稳运行。

Yarn ApplicationMaster (AM)：

ApplicationMaster的职责是：向ResourceManager申请资源，与NodeManager一同执行并监控container及其资源消耗。如果程序运行在Spark-On-Yarn，我们需要预留一些资源给ApplicationMaster，AM大约需要1024MB的内存和一个Executor。

HDFS吞吐：

HDFS客户端会遇到大量并发线程的问题。据观察，HDFS当达到全写入吞吐量时，需要每个executor执行约5个任务。因此，最好控制每个executor中core的数目低于这个数字。

内存开销：

Spark-On-Yarn的每个executor的内存由以下两部分组成：

> Full memory requested to yarn per executor =
>          spark-executor-memory + spark.yarn.executor.memoryOverhead
> spark.yarn.executor.memoryOverhead = Max(384MB, 7% of spark.executor-memory)
>

所以，如果我们申请了每个executor的内存为30G，那么，对我们而言，AM将得到30G + 7% × 30G约等于32G的内存。

执行拥有太多内存的executor会产生过多的垃圾回收延迟
执行过小的executor（举例而言，一个只有一核和仅仅足够内存跑一个task的executor），将会丢失在单个JVM中运行多任务的好处。

实战演练

现在，我们考虑一个10个节点的如下配置的集群，并分析不同参数设置的结果。
集群配置如下：

1
2
3

10个节点
每个节点16核
每个节点64G内存

第一种方案：Tiny executors (每个Executor一个Core)

'--num-executors' = '该方案下，每个executor配置一个core'
                                = '集群中的core的总数'
                                = '每个节点的core数目 * 集群中的节点数' 
                                = 16 x 10 = 160
'--executor-cores' = 1 (每个executor一个core)
'--executor-memory' = '每个executor的内存'
                                = '每个节点的内存/每个节点的executor数目'
                                = 64GB/16 = 4GB

分析

当一个executor只有一个core时，正如我们上面分析的，我们可能不能发挥在单个JVM上运行多任务的优势。此外，共享/缓存变量（如广播变量和累加器）将复制到节点的每个core，这里是16次。并且，我们没有为Hadoop / Yarn守护进程留下足够的内存开销，我们也没有计入ApplicationManager。因此，这不是一个好的方案！

第二种方案：Fat executors (每个节点一个Executor)

'--num-executors' = '该方案下，一个executor独占一个节点'
                                = '集群中的节点的数目'
                                = 10
'--executor-cores' = '一个节点一个executor意味着每个executor独占节点中所有的cores'
                                = '节点中的core的数目'
                                = 16
'--executor-memory' = '每个executor的内存'
                                = '节点的内存/节点中executor的数目'
                                = 64GB/1 = 64GB

分析

每个executor独占16个核心，则ApplicationManager和守护程序进程则无法分配到core，并且，HDFS吞吐量会受到影响，导致过多的垃圾结果。同样地，该方案不好！

第三种方案：Balance between Fat (vs) Tiny

根据上面讨论的建议：

基于上述的建议，我们给每个executor分配5个core => – executor-cores = 5 (保证良好的HDFS吞吐)

每个节点留一个core给Hadoop/Yarn守护进程 => 每个节点可用的core的数目 = 16 - 1 = 15

所以，集群中总共可用的core的数目是 15 * 10 = 150

可用的executor的数目 = （总的可用的core的数目 / 每个executor的core的数目）= 150 / 5 = 30

留一个executor给ApplicationManager => –num-executors = 29

每个节点的executor的数目 = 30 / 10 = 3

每个executor的内存 = 40GB / 3 = 13GB (这里假设总64G内存拿出40G来分配给spark使用)

计算堆开销 = 7% * 13GB = 1GB。因此，实际的 –executor-memory = 13 -1 = 12GB

因此，推荐的配置如下：29 executors, 12GB memory each and 5 cores

分析

很明显，第三种方案在Fat vs Tiny 两种方案中找到了合适的平衡点。毋庸置疑，它实现了Fat executor的并行性和Tiny executor的最佳吞吐量！

结论

当为spark程序配置运行参数的时候，应谨记一些推荐事项：

为Yarn的Application Manager预留资源

我们应该如何为Hadoop / Yarn / OS deamon进程节省一些cores

学习关于spark-yarn-memory-usage

另外，检查并分析了配置这些参数的三种不同方法：

Tiny Executors - 每个executor配置一个core

Fat Executors - 每个executor独占一个节点

推荐方案 - 基于建议项的Tiny（Vs）Fat的合适的平衡

–num-executors, –executor-cores and –executor-memory 这三个参数在spark性能中扮演很重要的角色，它们控制着spark程序获得的CPU和内存的资源。因此对于用户来说，很有必要理解如何去配置它们。