本篇是云上大数据系列第二篇文章，主要介绍Hadoop系统的基础调优，让Hadoop集群的资源能够被充分利用起来。在后续的文章中，我们还将会分享更多关于云上大数据系统的性能分析和调优经验，敬请期待。

大数据系统对资源的占用较大，如果不进行合适的基础调优，很容易造成资源的浪费。尤其是在云端部署大数据系统，按量计费却没有最大化利用购买的资源，往往导致投入产出比较低。本篇我们介绍如何对Hadoop系统进行基础优化，让 Hadoop 系统的资源能够被充分利用起来。

• 资源环境：ecs.d1.6xlarge × 5
• 软件系统：CDH 5.14.2 (Spark 1.6)
• 操作系统：CentOS 7.3

我们以 CDH 5.14.2 为例，介绍 Spark-on-YARN 的基础调优方法，在这一版本的 CDH 中，Spark 版本是 1.6 。值得注意的是，Spark 1.6 以后（含），其内存管理方式发生了变化，本文论述的方法不一定适用于之前的版本。阅读本文前，你需要有一定的 Hadoop 使用或开发经验。

1. Spark-on-YARN 的资源分配

提交 Spark 任务的时候，YARN 在做什么？

YARN 将两类主要资源（CPU、memory）打包为 container ，Spark 作为运行在 YARN 上的应用程序，每次使用 spark-submit（或其他方式）提交新的任务，都会先向YARN 申请资源。简要过程可以归为：

• ResourceManager选择一个结点启动一个准备运行 ApplicationMaster 的 container；
• 如果是 cluster 模式部署，则进一步启动 SparkContext；
• 接着，ApplicationMaster 向 ResourceManager 申请运行该任务所需要的资源；
• 在得到资源以后通知相应的 NodeManager 启动运行 Spark Executor 的 container；
• Spark Driver 为 Spark Executor 分配 task，Executor 将 task 的执行情况汇报给 Driver。

下文中的两幅示意图简要地展示了整个启动的流程。

如何合理地为 Spark 配置集群资源

Spark 资源的分配牵扯到 Spark 在 YARN 上的两种不同的部署模式：

• client 模式：Spark Driver 运行在提交任务的客户端。
• cluster 模式：Spark Driver 运行在 ApplicationMaster 中；

下面就每一种模式下如何配置资源，做详细介绍：

1) client 模式：

在 client 模式下，Spark Drivr 运行在提交任务的客户端，不需要单独为其配置资源，只需要为 ApplicationMaster 和 Spark Executor 分配合适的资源即可。

为 ApplicationMaster 分配资源

client 模式下，ApplicationMaster 的作用仅限于资源的申请和分配，可以为其分配少量的资源即可，例如按照默认值，分配 1 个 vcore 和 512M 内存：

spark.yarn.am.cores=1
spark.yarn.am.memory=512m

如果我们仅配置这两项，YARN实际申请的资源有可能比这个配置大的多，原因在于 spark.yarn.am.memory 仅限制了ApplicationMaster（JVM进程）的堆内存空间，对于非堆内存空间，也需要做配置：

spark.yarn.am.memoryOverhead=128m

默认情况下，该值是通过下面这个公式计算得来：

spark.yarn.am.memoryOverhead=max(spark.yarn.am.memory*0.1, 384)m

此时，我们通过 ResourceManager 界面观察 YARN 的资源分配情况，有可能发现实际分配的资源比 896m (512m+384m) 还要大。这是由于 YARN 对于资源的分配存在最小粒度，总是按照最小粒度的整数倍来分配资源。

如果你用的是 Capacity Scheduler（默认调度器），这个粒度通过下面变量来控制：

yarn.scheduler.minimum-allocation-mb

如果你用的是 Fair Scheduler，则通过下面变量来控制：

yarn.scheduler.increment-allocation-mb

这两个变量控制了 YARN 为每个 container 分配内存空间的最小尺寸。当用户申请的内存空间小于该尺寸的时候，YARN 会按照这个最小尺寸来分配；当用户申请的内存空间大于该尺寸的时候，YARN 会按照该尺寸的整数倍来分配空间。默认值都是 1024m。

例如，上例中，YARN 实际为 ApplicationMaster 分配的空间应该是 1024m。

切换这两种调度器，你可以：

yarn.resourcemanager.scheduler.class=org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler

当然，YARN 为 container 分配内存也存在上线，可以通过

yarn.scheduler.maximum-allocation-mb

来控制。用户申请的内存空间超过该值，YARN 会拒绝分配并报出相应的错误。

对于 CPU 的分配，也存在同样的策略，因为比较简单，这里就不再赘述，读者对照上述关于内存的介绍，看下配置文件中相应的配置的名称便能理解。

为了便于理解，笔者画了一张示意图总结一下上述的分配策略：

为 Spark Executor 分配资源

Spark Executor 被分配到 Node Manager 结点。在每个结点上，需要为操作系统和 Hadoop 的其他进程分配一点资源。因此，总体可分配的资源比结点固有资源要少一些。Executor 的资源分配从以下几个方面来入手：

每个 Executor 分配多少 CPU 资源？

我们先来讨论这个问题，因为这决定了最终需要分配多少 Executor。

ecs.d1.6xlarge的每个结点有 24 Core和 96G内存。理论上每个 Executor 最多可以分配到 24Core。但如上所述，我们需要为操作系统和其他进程预留一部分资源，因此实际可分配的资源少于 24Core 和 96G 内存。

Core 的数量决定了任务运行的并发度，是不是并发度越高越好呢？实验表明，HDFS 的一次读/写并发超过 5 以后，性能就会急剧下降。因此，这里推荐将每个 Executor 的 Core 数设为 5：

spark.executor.cores=5

此时，每个结点可以起 4 个 Executor。我们预留了 4 个 Core 给其他进程。

每个结点分配多少个 Executor？

每个结点起 4 个 Executor，4 个几点总共可以起 16 个 Executor。

spark.executor.instances=16

值得注意的是， ApplicationMaster 可能被调度到任意结点，我们预留的 4 个 Core 已经足够。

每个 Executor 分配多少内存资源？

每个结点总共 96G 内存空间，我们为其他进程预留 4G 内存，剩余 92G 内存可以为 4 个 Executor 平均分配 23G 内存。考虑到 Executor 也存在非堆内存：

spark.yarn.executor.memoryOverhead=max(spark.executor.memory*0.1, 384)m

而

23 * 1024 * 0.1 > 384

因此，23G 内存中需要预留 10% 的空间给非堆内存，堆内存实际分配到的空间为：

spark.executor.memory=23*1024*0.9=21196m

此时，每个 Executor 申请的内存空间为：

21196+21196*0.1=23315.6m ~ 22.7G

我们知道 YARN 对于内存资源的分配存在最小粒度，如果此时最小粒度是 1024m，那么实际 YARN 为每个 Executor Container 分配到的内存空间是 23G。

值得注意的是，如果你为 Application Master 分配的内存过大，超过了预留的 4G，那么上述的资源分配策略将会失效， YARN 会因为无法按照上述策略分配资源而报错。

另外需要注意的是，Executor 内存不宜过大，否则 Java 虚拟机对于内存的管理将存在很大的负担，往往容易造成 GC 非常严重的后果。

如果你按照上述配置来启动集群，并且成功提交了一个 Spark 任务，你大概率会发现一个问题：一个 Executor 也没起来。是哪里出问题了呢？上面我们一直在论述 Spark 资源的申请分式，却忽略了资源是由 YARN 来分配的事实。YARN 对于每个 NodeManager 的资源都设定了一个上线例如：每个 NodeManager 可以分配的最大内存是（默认 8G ）：

yarn.nodemanager.resource.memory-mb

我们申请的 23G 内存远远超过了 YARN 的允许，因此无法为 Executor 分配 Container。
同样的，对于 CPU，YARN 也有规定：

yarn.nodemanager.resource.cpu-vcores

在实际的配置中，我们要格外注意这一点。

2) cluster 模式

在 cluster 模式下，Spark Driver 运行在 ApplicationMaster 进程中，该进程又被调度在集群的某个结点上，因此，需要通过 Spark 的相关配置来决定 ApplicationMaster 实际需要申请多少资源。ApplicationMaster 占用了集群中某个结点的资源，那么该结点上可以分配给 Spark Executor 的资源就相应的减少了，可分配的 Executor 数量也会相应的减少。

为 ApplicationMaster 分配资源

默认情况下，Spark会为Driver申请如下资源（spark-defaults.conf）：

spark.driver.cores=1
spark.driver.memory=512m

现在读者已经明白了 YARN 的资源分配策略，知道实际分配的资源可能远大于上述的配置，使用

spark.yarn.driver.memoryOverhead=max(spark.driver.memory*0.1, 384)m

控制非堆内存；分配策略使用下面这张示意图可以比较清楚的表示出来：

在实际的配置中，需要注意：由于 Spark Driver 运行在 Application Master 进程中，需要适当地调高 Application Master 的内存大小。

为 Spark Executor 分配资源

Spark Executor在 cluster模式下的分配策略和在 client模式下相同，这里不再赘述。需要注意的一点是：调高后的 Application Master 内存有可能超过预留的内存大小，此时，如果有必要，适当调低每个 Executor 的内存大小。

2. Spark 1.6 的内存模型

1.6 以后，Spark 采用一种叫统一内存管理模型的方式管理内存空间，如果你想要切换回静态内存分配方式，可以：

spark.memory.useLegacyMode=true

下图比较清晰得展示了统一内存管理模型下内存空间的划分：

Reserved Memory 是系统预留的空间，默认是 300M，存储了 Spark 的一些内部对象，不能用来做数据缓存或存储计算的中间结果。在生产环境中，是不能改变的。在测试环境下可以通过下面的参数修改：

spark.testing.reservedMemory

如果为 Executor 申请的堆内存空间小于预留空间的 1.5 倍，Spark 会报错，提示你申请更大的内存空间。

User Memory 是完全由用户掌控的内存空间，默认大小为：

User_Memory_Size=(JVM_Heap_Size - Reserved_Memory_Size)*(1.0 - spark.memory.fraction)

需要注意的是，如果这块内存使用不当，是可以造成内存溢出的。Spark 不会保证这块内存的安全。

Spark Memory 顾名思义是 Spark 管理的内存空间，分为存储和计算两部分，可以通过

spark.memory.storageFraction

来改变两部分的比例。 Storage Memory 主要用来缓存从 HDFS 读取的数据或者计算的中间结果。 Execution Memory 则存储执行 task 过程中的一些对象或者 shuffle 过程中的临时数据（例如准备排序的数据）。统一内存模型以后，这两部分的内存空间可以相互借用。具体的借用方式有：

• 一方空闲，一方内存不足情况下，内存不足一方可以向空闲一方借用内存；
• Execution Memory 可以强制拿回 Storage Memory 在 Execution Memory 空闲时，借用的 Execution Memory 的部分内存（强制取回，而 Storage Memory 数据丢失，重新计算即可）；
• Storage Memory 只能等待 Execution Memory 主动释放占用的 StorageMemory 空闲时的内存（不强制取回，因为如果 task 执行，数据丢失就会导致 task 失败）。

这就意味着，当我们在配置 Storage Memory 的时候，最好不要小于其初始值大小。因为其内存空间总是会被 Execution Memory 占用而不能强制释放，这就造成如果 Storage Memory 很小，那么其实际可用的空间将更小，缓存数据的功能将被大大减弱。

希望这篇文章能对进行 Spark-on-YARN 性能调优的同学有所帮助。