标签：启动参数 2.7 res 不能 iss 占用 core mini efault
本篇博客参考：http://blog.cloudera.com/blog/2015/03/how-to-tune-your-apache-spark-jobs-part-2/
软件版本：
CDH：5.7.2，JDK：1.7；
问题描述：
在使用Spark On YARN时（无论是Client模式或者是Cluster模式，当然下面会有这种模式的对比区别），可以添加诸如：
--executor-memory 8G --executor-cores 5 --num-executors 20
等等这样的参数，但是这个和我们平常理解的感觉有误，或者说不直观，怎么说呢？
比如一个6节点（NodeManager）的集群，每个节点配置为：16 CPU核，64G内存，那么一般很容易提交代码的时候写成如下配置：
--num-executors 6 --executor-cores 15 --executor-memory 63G
但是这样配置后，你会发现，在8088端口的YARN监控上得到的不是你想得到的资源分配，那正确的配置应该是怎样的呢？
前备知识：
1. YARN NodeManager资源
NodeManager所在的机器如果是16核、64G，那么设置如下参数（这两个参数是NodeManager能分配的最大内存和最大cpu）：yarn.nodemanager.resource.memory-mb
yarn.nodemanager.resource.cpu-vcores
最好是小一点，比如设置内存为63G，核心为15，因为需要分配一些资源给系统以及后台Hadoop进程。当然，如果每个机器是6核，6G内存，那可以分配到5核以及5.5G内存左右；在原文中，说CDH机器可以自动的分配，不过我看到CDH集群设置这两个参数只是其能最大的值，也就是机器自身的资源。比如我的6核，6G内存，其配置如下：
（当然，默认是8G内存，8核CPU的）
2. Spark On YARN Client 和Cluster
Spark提交任务首先由客户端（CLient）生成一个Spark Driver，Spark Driver在YARN的NOdeManager中生成一个ApplicationMaster，ApplicationMaster向YARN Resourcemanager申请资源（这些资源就是NodeManager封装的Container，其中包含内存和cpu），接着Spark Driver调度并运行任务；那么Client和CLuster过程如下：
其中，左边是CLient模式，右边是Cluster模式，也就是说其实CLuster模式下，提交任务后，CLient可以离开了，而Client模式下，Client不可以离开；
另外，不管CLient或CLuster模式下，ApplicationMaster都会占用一个Container来运行；而Client模式下的Container默认有1G内存，1个cpu核，Cluster模式下则使用driver-memory和driver-cpu来指定；
但是这里有个问题，在Client模式下，这里的默认配置：
是512M的，但是参考博客里面说CDH里面这个默认是1G的（这里应该是1G的，不然的话，后面实验对应不到）
3. Spark On YARN资源申请
1. 用户通过executor-memory设置内存；2. 经过spark.yarn.exeuctor.memoryOverhead的加持，申请的内存变为 executor-memory + max (384 , 0.1 * executor-memory) ;这里的384 和0.1(原文中这个值是0.07，这个需要注意)是参考下面的参数来的：
3. NodeManager在向上申请资源的时候会经过参数：
yarn.scheduler.minimum-allocation-mb // defalut 1G
yarn.scheduler.increment-allocation-mb // default 512M
的加持，向上取整为2中的倍数，并且最接近2中的数值。比如说--executor-memory是3G，那么2中的值就是3G+ max(384 , 0.1 *3 *1024) = 3G + 384m ~ 3.5G ，所以NodeManager申请的资源应该就是3.5G（3584m），而不是3456m（3*1024+384）。
另外：
executor-cores其实是设置并行的个数的，由于HDFS的bug，executor-cores建议设置为5或以下；
实验及如何设置资源分配：
1. 问题解答：
那么，回到最开始的问题，6个节点（NodeManager），每个64G内存，16核如果要使用尽可能多的集群资源，怎么分配：
1. 首先，去掉节点系统使用1G内存1核cpu，那么还剩63G内存，15核cpu；
2. 加入executor-cpus设置为5，也就是建议值的最大，那么每个节点可以分配3个Container ，即 15 /5= 3 个Executor；
3. 哪每个executor内存呢？ 63/3 = 21G 内存，21G - max(384 ,0.1 *21G) = 18.9G ； 那么executor-memory应该设置为多少呢？这个值应该是18.5G，为什么是这个呢？
a. 第一，这个值需要是512M的倍数；
b，第二，xG + max（384m，0.1 * xG） < 21 G， 这个x 最大就是18.5G；
说道这里，需要说明一点，在参考的链接中参数0.1不是0.1，而是0.07，所以算的的executor-memory是19G，这个需要注意；
4. 那有多少个executor呢？ 有人说这还不好算：6个节点 ，每个节点3executor，所以一共是18个；这个不对；
因为需要有一个container来部署ApplicationMaster，所以有个节点其资源就会减少，这也就是说在ApplicationMaster所在的节点上最多只能有2个executor，所以最终的参数是：
--num-executors 17 --executor-cores 5 --executor-memory 18944m
因为这个参数不能识别小数点，所以不能写成18.5G（注意这个值和原文中是不一样的，如果0.1参数在CDH集群中的默认值是0.07，那么就是原文的答案）；
2. 5节点，6核cpu，6G内存怎么分配1
1. 去掉节点系统内存512M，1核cpu；还剩5核cpu，5.5G内存；
2. 如果每个executor的executor-cpus设置为5，那么也就是说每个节点有1个executor；
3. 这样子的话，executor-memory就应该设置为5G ， 5G + max(384, 0.1 * 5G ) = 5.5G ~ 5.5G ，这样子分配刚刚好；
4. executor就应该设置为4 ，因为其中一个NodeManager分配了ApplicationMaster，那么其就不能生成一个executor了；
启动参数为：
spark-shell --master yarn --deploy-mode client --executor-memory 5G --executor-cores 4 --num-executors 4
5. 验证：
a. 首先看资源分配：
container个数5个？
这个怎么来的，明明申请了4个executor，每个executor对应一个container，那就是4个container，怎么会多一个呢？其实这个就是启动ApplicationMaster的container；
cpu核有17个？
4*4 = 16 ，另外一个当然就是启动ApplicationMaster的资源了；
内存23552m ？
4 *5 *1024 = 20480，这不对呀，还差好多呢，那实际是怎么计算的呢？实际的计算方式应该是：
4* （5G + max(384m , 0.1 * 5G )） * 1024 + 1024 = 23552 ; 其中，最后一个加的就是启动ApplicationMaster默认的1G内存；
b. 看日志：
看日志其实这个过程就更加清晰了；
首先，可以看到4个container；其次内存是5632m = （5G + 0.1 *5G ）* 1024。
3. 5节点，6核cpu，6G内存怎么分配2
除了2中的分配方式，有没有其他分配方式呢？如果每个executor-cpus是1呢？1. executor-cpus=1 ； 那么每个节点就可以分5个executor；
2. 所以每个节点可以分 5.5G/ 5 = 1.1G ，所以最大只能1.1G，内存，而且NodeManager申请的资源只能是512M的整数倍，所以最大是1024M，那么executor-memory + max( 384, 0.1 * executor-memory) = 1024M ,那么executor-memory就等于640；
3. 有多少个executor呢？ 4 * 5 = 20 ，运行ApplicationMaster节点的有多少个呢，去掉ApplicationMaster的资源1G内存，1cpu还剩4.5G内存，4cpu核，申请4个executor是可以的，所以一共就有 4* 5 + 4 = 24个container；
参数：
spark-shell --master yarn --deploy-mode client --executor-memory 640m --executor-cores 2 --num-executors 24
4. 验证：
4. 5节点，6核cpu，6G内存怎么分配3
除了2、3中的分配方式，有没有其他分配方式呢？如果每个executor-cpus是2呢？
1. executor-cpus=2 ； 那么每个节点就可以分2个executor（5/2 ~ 2 ,只能往低约等于）；
2. 所以每个节点可以分 5.5G/ 2 = 2.75G ，所以最大只能2.75G，内存，而且NodeManager申请的资源只能是512M的整数倍，所以最大是2.5G，那么executor-memory + max( 384, 0.1 * executor-memory) ~ 2.5G ,那么executor-memory就等于2176；
3. 有多少个executor呢？ 4 * 2 = 8 ，运行ApplicationMaster节点的有多少个呢，去掉ApplicationMaster的资源1G内存，1cpu还剩4.5G内存，4cpu核，只能申请1个executor是可以的，所以一共就有 4* 2 + 1 = 9个container；
参数：
spark-shell --master yarn --deploy-mode client --executor-memory 2176m --executor-cores 2 --num-executors 9
4. 验证：
5. 5节点，6核cpu，6G内存怎么分配4
但是，如果上一个分配中的第2中分配的内存是executor-memory + max( 384, 0.1 * executor-memory) ~ 2G， 那么executor-memory= 1664m；这个时候有多少个container呢？
运行ApplicationMaster的这时就可以运行2个executor了，所以一共有10个executor；
参数：
spark-shell --master yarn --deploy-mode client --executor-memory 1664m --executor-cores 2 --num-executors 10
验证：
总结：
1. Spark On YARN资源分配没有Spark StandAlone的那么明确，过程有点复杂；
2. 国外的文章参考价值还是蛮大的，毕竟很多技术都是从国外传过来的，google以后都不能用了，咋办？
分享，成长，快乐
脚踏实地，专注
转载请注明blog地址：http://blog.csdn.NET/fansy1990
Spark On YARN内存和CPU分配
标签：启动参数 2.7 res 不能 iss 占用 core mini efault
原文地址：http://blog.csdn.net/fansy1990/article/details/54314249
