打开微信扫一扫，关注微信公众号【数据与算法联盟】

最近在搞一个价格分类模型，虽说是分类，用的是kmeans算法，求出聚类中心，对每个价格进行级别定级。虽然说起来简单，但做起来却是并没有那么容易，不只是因为数据量大，在执行任务时要不是效率问题就是shuffle报错等。但在这整个过程中对scala编程,Spark rdd 机制，以及海量数据背景下对算法的认知都有很大的提升，这一篇文章主要是总结一些Spark在shell 终端提交jar包任务的时候的相关知识，在后续文章会具体涉及到相关的”实战经历“。

对Spark的认识

由于之前接触过Hadoop，对Spark也是了解一些皮毛，但中间隔了好久才重新使用spark，期间也产生过一些错误的认识。

之前觉得MapReduce耗费时间，写一个同等效果的Spark程序很快就能执行完，很长一段时间自己都是在本地的单机环境进行测试学习，所以这种错误的认知就会更加深刻，但事实却并非如此，MR之所以慢是因为每一次操作数据都写在了磁盘上，大量的IO造成了时间和资源的浪费，但是Spark是基于内存的计算引擎，相比MR，减少的是大量的IO，但并不是说给一个Spark程序足够的资源，就可以为所欲为了，在提交一个spark程序时，不仅要考虑所在资源队列的总体情况，还要考虑代码本身的高效性，要尽量避免大量的shuffle操作和action操作，尽量使用同一个rdd。

会用spark，会调api和能用好spark是两回事，在进行开发的过程中，不仅要了解运行原理，还要了解业务，将合适的方法和业务场景合适的结合在一起，才能发挥最大的价值。

spark-submit

进入spark的home目录，执行以下命令查看帮助

bin/spark-submit --help

spark提交任务常见的两种模式
1：local/local[K]

• 本地使用一个worker线程运行spark程序
• 本地使用K个worker线程运行spark程序

此种模式下适合小批量数据在本地调试代码

2：yarn-client/yarn-cluster

• yarn-client：以client方式连接到YARN集群，集群的定位由环境变量HADOOP_CONF_DIR定义，该方式driver在client运行。
• yarn-cluster：以cluster方式连接到YARN集群，集群的定位由环境变量HADOOP_CONF_DIR定义，该方式driver也在集群中运行。

注意：若使用的是本地文件需要在file路径前加：file://

在提交任务时的几个重要参数

• executor-cores —— 每个executor使用的内核数，默认为1
• num-executors —— 启动executors的数量，默认为2
• executor-memory —— executor内存大小，默认1G
• driver-cores —— driver使用内核数，默认为1
• driver-memory —— driver内存大小，默认512M

下边给一个提交任务的样式

spark-submit \
  --master local[5]  \
  --driver-cores 2   \
  --driver-memory 8g \
  --executor-cores 4 \
  --num-executors 10 \
  --executor-memory 8g \
  --class PackageName.ClassName XXXX.jar \
  --name "Spark Job Name" \
  InputPath      \
  OutputPath

如果这里通过--queue 指定了队列，那么可以免去写--master

以上就是通过spark-submit来提交一个任务

几个参数的常规设置

• executor_cores*num_executors
  表示的是能够并行执行Task的数目
  不宜太小或太大！一般不超过总队列 cores 的 25%，比如队列总 cores 400，最大不要超过100，最小不建议低于 40，除非日志量很小。

• executor_cores
  不宜为1！否则 work 进程中线程数过少，一般 2~4 为宜。

• executor_memory
  一般 6~10g 为宜，最大不超过20G，否则会导致GC代价过高，或资源浪费严重。

• driver-memory
  driver 不做任何计算和存储，只是下发任务与yarn资源管理器和task交互，除非你是 spark-shell，否则一般 1-2g

增加每个executor的内存量，增加了内存量以后，对性能的提升，有三点：

• 1、如果需要对RDD进行cache，那么更多的内存，就可以缓存更多的数据，将更少的数据写入磁盘，
  甚至不写入磁盘。减少了磁盘IO。
• 2、对于shuffle操作，reduce端，会需要内存来存放拉取的数据并进行聚合。如果内存不够，也会写入磁盘。如果给executor分配更多内存以后，就有更少的数据，需要写入磁盘，甚至不需要写入磁盘。减少了磁盘IO，提升了性能。
• 3、对于task的执行，可能会创建很多对象。如果内存比较小，可能会频繁导致JVM堆内存满了，然后频繁GC，垃圾回收，minor GC和full GC。（速度很慢）。内存加大以后，带来更少的GC，垃圾回收，避免了速度变慢，性能提升。

常规注意事项

• 预处理数据，丢掉一些不必要的数据
• 增加Task的数量
• 过滤掉一些容易导致发生倾斜的key
• 避免创建重复的RDD
• 尽可能复用一个RDD
• 对多次使用的RDD进行持久化
• 尽量避免使用shuffle算子
• 在要使用groupByKey算子的时候,尽量用reduceByKey或者aggregateByKey算子替代.因为调用groupByKey时候,按照相同的key进行分组,形成RDD[key,Iterable[value]]的形式,此时所有的键值对都将被重新洗牌,移动,对网络数据传输造成理论上的最大影响.
• 使用高性能的算子

参考：
1：http://www.cnblogs.com/haozhengfei/p/e570f24c43fa15f23ebb97929a1b7fe6.html
2：https://www.jianshu.com/p/4c584a3bac7d