1. 概述

本文主要讲解MaxCompute Spark资源调优，目的在于在保证Spark任务正常运行的前提下，指导用户更好地对Spark作业资源使用进行优化，极大化利用资源，降低成本。

Sensor提供了一种可视化的方式监控运行中的Spark进程，每个worker（Executor）及master（Driver）都具有各自的状态监控图，可以通过Logview中找到入口，如下图所示：

打开Sensor之后，可以看到下图提供了Driver/Executor在其生命周期内的CPU和内存的使用情况：cpu_plan/mem_plan（蓝线）代表了用户申请的CPU和内存计划量

用户可以直观地从cpu_usage图中看出任务运行中的CPU利用率mem_usage代表了任务运行中的内存使用，是mem_rss和page cache两项之和，详见下文

Memory Metrics

mem_rss 代表了进程所占用了常驻内存，这部分内存也就是Spark任务运行所使用的实际内存，通常需要用户关注，如果该内存超过用户申请的内存量，就可能会发生OOM，导致Driver/Executor进程终止。此外，该曲线也可以用于指导用户进行内存优化，如果实际使用量远远小于用户申请量，则可以减少内存申请，极大化利用资源，降低成本。

mem_cache（page_cache）用于将磁盘中的数据缓存到内存中，从而减少磁盘I/O操作，通常由系统进行管理，如果物理机内存充足，那么mem_cache可能会使用很多，用户可以不必关心该内存的分配和回收。

3. 资源参数调优

（1）Executor Cores

相关参数：spark.executor.cores每个Executor的核数，即每个Executor中的可同时运行的task数目Spark任务的最大并行度是num-executors * executor-coresSpark任务执行的时候，一个CPU core同一时间最多只能执行一个Task。如果CPU core数量比较充足，通常来说，可以比较快速和高效地执行完这些Task。同时也要注意，每个Executor的内存是多个Task共享的，如果单个Executor核数太多，内存过少，那么也很可能发生OOM。

（2）Executor Num

相关参数：spark.executor.instances该参数用于设置Spark作业总共要用多少个Executor进程来执行通常用户可以根据任务复杂度来决定到底需要申请多少个Executor此外，需要注意，如果出现Executor磁盘空间不足，或者部分Executor OOM的问题，可以通过减少单个Executor的cores数，增加Executor的instances数量来保证任务总体并行度不变，同时降低任务失败的风险。

（3）Executor Memory

相关参数：spark.executor.memory该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且JVM OOM在Executor中更为常见。相关参数2：spark.executor.memoryOverhead设置申请Executor的堆外内存，主要用于JVM自身，字符串, NIO Buffer等开销，注意memoryOverhead 这部分内存并不是用来进行计算的，用户代码及spark都无法直接操作。如果不设置该值，那么默认为spark.executor.memory * 0.10，最小为384 MBExecutor 内存不足的表现形式：在Executor的日志（Logview->某个Worker->StdErr）中出现Cannot allocate memory

在任务结束的Logview result的第一行中出现：The job has been killed by "OOM Killer", please check your job's memory usage.

在Sensor中发现内存使用率非常高

在Executor的日志中出现java.lang.OutOfMemoryError: Java heap space在Executor的日志中出现GC overhead limit exceeded

Spark UI中发现频繁的GC信息可能出现OOM的间接表现形式：部分Executor出现No route to host: workerd********* / Could not find CoarseGrainedScheduler等错误可能原因及解决方案：限制executor 并行度，将cores 调小：多个同时运行的 Task 会共享一个Executor 的内存，使得单个 Task 可使用的内存减少，调小并行度能缓解内存压力增加单个Executor内存增加分区数量，减少每个executor负载考虑数据倾斜问题，因为数据倾斜导致某个 task 内存不足，其它 task 内存足够如果出现了上文所述的Cannot allocate memory或The job has been killed by "OOM Killer", please check your job's memory usage，这种情况通常是由于系统内存不足，可以适当增加一些堆外内存来缓解内存压力，通常设置spark.executor.memoryOverhead为1g/2g就足够了

（4）Driver Cores

相关参数spark.driver.cores通常Driver Cores不需要太大，但是如果任务较为复杂（如Stage及Task数量过多）或者Executor数量过多（Driver需要与每个Executor通信并保持心跳），在Sensor中看到Cpu利用率非常高，那么可能需要适当调大Driver Cores另外要注意，在Yarn-Cluster模式运行Spark任务，不能直接在代码中设置Driver的资源配置（core/memory），因为在JVM启动时就需要该参数，因此需要通过--driver-memory命令行选项或在spark-defaults.conf文件/Dataworks配置项中进行设置。

（5）Driver Memory

相关参数1：spark.driver.memory设置申请Driver的堆内内存，与executor类似相关参数2：spark.driver.maxResultSize代表每个Spark的action（例如collect）的结果总大小的限制，默认为1g。如果总大小超过此限制，作业将被中止，如果该值较高可能会导致Driver发生OOM，因此用户需要根据作业实际情况设置适当值。相关参数3：spark.driver.memoryOverhead设置申请Driver的堆外内存，与executor类似Driver的内存通常不需要太大，如果Driver出现内存不足，通常是由于Driver收集了过多的数据，如果需要使用collect算子将RDD的数据全部拉取到Driver上进行处理，那么必须确保Driver的内存足够大。表现形式：

Spark应用程序无响应或者直接停止在Driver的日志（Logview->Master->StdErr）中发现了Driver OutOfMemory的错误Spark UI中发现频繁的GC信息在Sensor中发现内存使用率非常高在Driver的日志中出现Cannot allocate memory

可能原因及解决方案：代码可能使用了collect操作将过大的数据集收集到Driver节点在代码创建了过大的数组，或者加载过大的数据集到Driver进程汇总SparkContext，DAGScheduler都是运行在Driver端的。对应rdd的Stage切分也是在Driver端运行，如果用户自己写的程序有过多的步骤，切分出过多的Stage，这部分信息消耗的是Driver的内存，这个时候就需要调大Driver的内存。有时候如果stage过多，Driver端甚至会有栈溢出

（6）本地磁盘空间

相关参数：spark.hadoop.odps.cupid.disk.driver.device_size：该参数代表为单个Driver或Executor申请的磁盘空间大小，默认值为20g，最大支持100gShuffle数据以及BlockManager溢出的数据均存储在磁盘上

磁盘空间不足的表现形式：在Executor/Driver的日志中发现了No space left on device错误

解决方案：

最简单的方法是直接增加更多的磁盘空间，调大spark.hadoop.odps.cupid.disk.driver.device_size如果增加到100g之后依然出现该错误，可能是由于存在数据倾斜，shuffle或者cache过程中数据集中分布在某些block，也可能是单个Executor的shuffle数据量确实过大，可以尝试：

对数据重分区，解决数据倾斜问题

缩小单个Executor的任务并发spark.executor.cores

缩小读表并发spark.hadoop.odps.input.split.size

增加executor的数量spark.executor.instances

需要注意：

同样由于在JVM启动前就需要挂载磁盘，因此该参数必须配置在spark-defaults.conf文件或者dataworks的配置项中，不能配置在用户代码中此外需要注意该参数的单位为g，不能省略g很多时候由于用户配置位置有误或者没有带单位g，导致参数实际并没有生效，任务运行依然失败

4. 总结

上文主要介绍了MaxCompute Spark在使用过程中可能遇到的资源不足的问题及相应的解决思路，为了能够最大化利用资源，首先建议按照1: 4的比例来申请单个worker资源，即1 core: 4 gb memory，如果出现OOM，那么需要查看日志及Sensor对问题进行初步定位，再进行相应的优化和资源调整。不建议单个Executor Cores 设置过多，通常单个Executor在2-8 core是相对安全的，如果超过8，那么建议增加instance数量。适当增加堆外内存（为系统预留一些内存资源）也是一个常用的调优方法，通常在实践中可以解决很多OOM的问题。最后，用户可以参考官方文档，包含更多的内存调优技巧，如gc优化，数据序列化等。