天津高端网站建设,wordpress 机制,个人社保网上服务平台,wordpress架设系统2.1.9.4、Optimize---JVM On Compute首要的一个问题就是GC,那么先来了解下其原理#xff1a;1、内存管理其实就是对象的管理#xff0c;包括对象的分配和释放#xff0c;如果显式的释放对象#xff0c;只要把该对象赋值为null#xff0c;即该对象变为不可达.GC将负责回…2.1.9.4、Optimize---JVM On Compute首要的一个问题就是GC,那么先来了解下其原理1、内存管理其实就是对象的管理包括对象的分配和释放如果显式的释放对象只要把该对象赋值为null即该对象变为不可达.GC将负责回收这些不可达对象的内存空间。2、GC采用有向图的方式记录并管理堆中的所有对象通过这些方式来确定哪些对象是可达的哪些对象是不可达的。根据上图的JVM内存分配来看当Eden满了之后一个小型的GC将会被触发Eden和Survivor1中幸存的仍被使用的对象被复制到Survivor2中。同时Survivor1和Survivor2区域进行交换当一个对象生存的时间足够长或者Survivor2满了那么就会把存活的对象移到Old代当Old空间快满的时候这个时候会触发一个Full GC.根据以上简单对GC的回顾Spark GC调优的目的是确保Old代只存生命周期长的RDDYoung 代只保存短生命周期的对象尽量避免发生Full GC。那么这里梳理一下spark中关于Jvm的一些参数调优以及一些调优步骤1、针对MetaSpace:-XX:MetaspaceSize:初始化元空间的大小-XX:MaxMetaspaceSize:最大元空间大小-XX:MinMetaspaceFreeRatio:扩大空间的最小比率当GC后内存占用超过这一比率后就会扩大空间-XX:MaxMetaspaceFreeRatio:缩小空间的最小比率当GC后内存占用低于这一比率就会缩小空间。默认的Metaspace只会受限于本地内存大小当Metaspace达到MetaSpaceSize的当前大小时就会触发GC.2、GC查看步骤2.1、首先查看GC统计日志观察GC启动次数是否太多可以给JVM设置参数-verbose:GC -XX:PrintGCDetails那么就可以在Worker日志中看到每次GC花费的时间如果某个任务在结束之前多次发生了Full GC那么说明执行该任务的内存不够spark-submit --name app-name \--master local[4] \--conf spark.shuffle.spillfalse \--conf spark.executor.extraJavaOptions-XX:PrintGCDetails -XX:PrintGCTimeStamps \jar_name.jar2.2、如果GC信息显示Old代空间快满了那么可以降低spark.memory.storageFraction来减少RDD缓存占用的内存。先不要考虑执行性能问题先让程序跑起来再说2.3、如果Major GC比较少但是Minor GC比较多可以把Eden内存调大些。3、计算内存和存储内存调整钨丝计划就是专门来解决JVM性能问题的两者之间没有硬性界限可以相互借用空间通过参数spark.memory.fraction默认0.75来设置整个堆空间的比例。spark.storage.memoryFraction设置RDD持久化数据在Executor内存能占用的比例默认是0.6如果作业有较多的RDD持久化的话那么该参数值可以调高些避免内存不够缓存所有的数据导致溢写磁盘如果作业中shuffle类操作比较多且频繁发生GC那么可以适当调低该参数值。spark.yarn.executor.memoryoverhead如果数据量很大导致Stage内存溢出导致后面的Stage无法获取数据如出现Shuffle file not found、Executor Task lost、Out Of Memory等问题时可以调整该参数增大堆外内存。spark.core.connection.ack.wait.timeout当然对于not found ,file lost问题也可能是因为某些task去其他节点上拉取数据而该节点正好正在进行GC导致连接超时默认60s那么可以试着调大该参数值。spark.shuffle.memoryFraction设置shuffle过程一个task拉取上一个Stage的task输出后进行聚合操作时能够使用Executor内存的比例默认是0.2如果shuffle使用的内存超过了这个限制那么就会把多余的数据溢写到磁盘中如果作业中RDD持久化的操作比较少的话shuffle比较多的话那么可以调大该值降低缓存内存占用比例。2.1.9.5、Optimize---Shuffle On Compute更详细的参数配置见2.1.8.6部分。1、使用Broadcast实现Mapper端Shuffle。也就是常说的MapJoin即将较小的RDD进行广播到Executor上让该Executor上的所有Task都共享该数据2、Shuffle传输过程中的序列化和压缩。序列化和压缩spark.serializerorg.apache.spark.serializer.KryoSerializerspark.shuffle.compresstruespark.shuffle.spill.compresstruespark.io.compression.codecsnappy使用KryoSerializer的原因是因为其支持relocation,也就是说在把对象进行序列化之后进行排序这种排序效果和先对数据排序再序列化是一样的。这个属性会在UnsafeShuffleWriter进行排序中用到。3、为了避免Spark下的JVM GC可能会导致Shuffle拉取文件失败的问题可以使用以下措施3.1、调整获取Shuffle数据的重试次数默认是3次3.2、调整获取Shuffle数据重试间隔通过spark.shuffle.io.retryWait参数配置默认为5s3.3、适当增大reduce端的缓存空间否则会spill到磁盘同时也减少GC次数可以通过spark.reducer.maxSizeInFlight参数配置3.4、ShuffleMapTask端也可以增大Map任务写缓存可以通过spark.shuffle.file.buffer,默认为32k3.5、可以适当调大计算内存减少溢写磁盘。2.1.9.6、Optimize----Data Skewspark层面的数据倾斜定位可以通过以下几个方面1、通过spark web ui界面查看每个Stage下的每个Task运行的数据量大小2、通过Log日志分析定位是在哪个Stage中出现了倾斜然后再定位到具体的Shuffle代码3、代码走读重点看Join,各种byKey的关键性代码4、数据特征分布分析针对数据倾斜有以下几种解决手段2.1.9.6.1、聚合过滤导致倾斜的Keys可过滤针对业务逻辑中不需要的倾斜数据例如无效数值2.1.9.6.2、提高并行度其主要思想在于把一个Task处理的数据量拆分为多份给不同的task进行处理进而减轻Task的压力其本质在于数据的分区策略。例如1、通过repartition或者coalesce进行重分区2、对外部数据读取设置最小分区数3、在使用涉及到shuffle类算子时可以显示指定分区数(默认spark会推导分区数)4、设置默认spark.default.parallelism并行度2.1.9.6.3、随机Key二次聚合使用场景对于各种byKey操作可以将每个key通过加上随机数前缀进行拆分先做局部聚合然后将随机数拆掉在做全局聚合。2.1.9.6.4、MapJoin使用场景两个RDD的数据量其中一个RDD的数据量特别小可以放到内存中。2.1.9.6.5、采样倾斜Key单独处理使用场景两个RDD进行join操作如果一个RDD倾斜严重那么可以通过采样方式进行拆分然后再分别和另外一个RDD进行join最后把结果进行union。2.1.9.6.6、随机Join使用场景两个RDD中的某一个Key或者某几个Key对应的数量很大那么在Join的时候会发生倾斜。可以将RDD1中的一个或者几个Key加上随机数前缀然后RDD2在相同的Key上做同样的处理。2.1.9.6.7、扩容Join使用场景如果两个RDD的倾斜Key特别多则可以将其中一个RDD的数据进行扩容N倍另一个RDD的每条数据都打上一个n以内的随机前缀最后进行join
