Spark性能调优之Shuffle调优

客官°小女子只卖身不卖艺 2022-10-07 05:43 385阅读 0赞

# Spark性能调优之Shuffle调优 #

•** Spark底层shuffle的传输方式是使用netty传输，netty在进行网络传输的过程会申请堆外内存（netty是零拷贝），所以使用了堆外内存。**

#    **• shuffle过程中常出现的问题** #

## **常见问题一：reduce oom?** ##

**    问题原因：**

reduce task 去map端获取数据，reduce一边拉取数据一边聚合，reduce端有一块聚合内存（executor memory \* 0.2）,也就是这块内存不够

**解决办法：**

**1.增加reduce 聚合操作的内存的比例**

**2.增加Executor memory的大小**  **--executor-memory** 5G

**3.减少reduce task每次拉取的数据量** 设置**spak.reducer.maxSizeInFlight** 24m, 拉取的次数就多了，因此建立连接的次数增多，有可能会连接不上（正好赶上map task端进行GC）

## **常见问题二：错误描述--shuffle file cannot find   or   executor lost** ##

**   • **什么时候需要调节Executor的堆外内存大小？

• shuffle file cannot find （DAGScheduler，resubmitting task）

• executor lost

• task lost

• out of memory

**问题原因：**

**1.map task所运行的executor内存不足，导致executor** 挂掉了，executor里面的BlockManager就挂掉了，导致ConnectionManager不能用，也就无法建立连接，从而不能拉取数据

**2.executor并没有挂掉**

2.1 BlockManage之间的连接失败（map task所运行的executor正在GC）

2.2建立连接成功，map task所运行的executor正在GC

**        3.reduce task向Driver中的MapOutputTracker获取shuffle file位置的时候出现了问题**

**解决办法：**

**        1.增大Executor内存(即堆内内存) ，申请的堆外内存也会随之增加--executor-memory 5G**

**        2.增大堆外内存 --conf spark.yarn.executor.memoryoverhead 2048M**

--conf spark.executor.memoryoverhead 2048M

** (默认申请的堆外内存是Executor内存的10%，真正处理大数据的时候，****这里都会出现问题，导致spark作业反复崩溃，无法运行；此时就会去调节这个参数，到至少1G****（1024M），甚至说2G、4G）**

**)****![3c64f8aad07b6d0d8407a3473e3dee11.png][]**

** **

buffer 32k    //缓冲区默认大小为32k  **SparkConf.set("spark.shuffle.file.buffer","64k")**

reduce 48M //reduce端拉取数据的时候，默认大小是48M

**SparkConf.set("spark.reducer.maxSizeInFlight","96M")**

## spark.shuffle.file.buffer ##

默认值：32k

参数说明：该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘。

调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如64k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

## spark.reducer.maxSizeInFlight ##

默认值：48m

参数说明：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次能够拉取多少数据。

调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

## 错误：reduce oom ##

reduce task去map拉数据，reduce 一边拉数据一边聚合   reduce段有一块聚合内存（executor memory \* 0.2）

解决办法：1、增加reduce 聚合的内存的比例  设置spark.shuffle.memoryFraction

## 2、 增加executor memory的大小  --executor-memory 5G ##

## 3、减少reduce task每次拉取的数据量  设置spark.reducer.maxSizeInFlight  24m ##

## spark.shuffle.io.maxRetries ##

默认值：3

参数说明：shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数。如果在指定次数之内拉取还是没有成功，就可能会导致作业执行失败。

调优建议：对于那些包含了特别耗时的shuffle操作的作业，建议增加重试最大次数（比如60次），以避免由于JVM的full gc或者网络不稳定等因素导致的数据拉取失败。在实践中发现，对于针对超大数据量（数十亿~上百亿）的shuffle过程，调节该参数可以大幅度提升稳定性。

shuffle file not find    taskScheduler不负责重试task，由DAGScheduler负责重试stage

## spark.shuffle.io.retryWait ##

默认值：5s

参数说明：具体解释同上，该参数代表了每次重试拉取数据的等待间隔，默认是5s。

调优建议：建议加大间隔时长（比如60s），以增加shuffle操作的稳定性。

## spark.shuffle.memoryFraction ##

默认值：0.2

参数说明：该参数代表了Executor内存中，分配给shuffle read task进行聚合操作的内存比例，默认是20%。

调优建议：在资源参数调优中讲解过这个参数。如果内存充足，而且很少使用持久化操作，建议调高这个比例，给shuffle read的聚合操作更多内存，以避免由于内存不足导致聚合过程中频繁读写磁盘。在实践中发现，合理调节该参数可以将性能提升10%左右。

## spark.shuffle.manager ##

默认值：sort

参数说明：该参数用于设置ShuffleManager的类型。Spark 1.5以后，有三个可选项：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的默认选项，但是Spark 1.2以及之后的版本默认都是SortShuffleManager了。tungsten-sort与sort类似，但是使用了tungsten计划中的堆外内存管理机制，内存使用效率更高。

调优建议：由于SortShuffleManager默认会对数据进行排序，因此如果你的业务逻辑中需要该排序机制的话，则使用默认的SortShuffleManager就可以；而如果你的业务逻辑不需要对数据进行排序，那么建议参考后面的几个参数调优，通过bypass机制或优化的HashShuffleManager来避免排序操作，同时提供较好的磁盘读写性能。这里要注意的是，tungsten-sort要慎用，因为之前发现了一些相应的bug。

## spark.shuffle.sort.bypassMergeThreshold ##

默认值：200

参数说明：当ShuffleManager为SortShuffleManager时，如果shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作，而是直接按照未经优化的HashShuffleManager的方式去写数据，但是最后会将每个task产生的所有临时磁盘文件都合并成一个文件，并会创建单独的索引文件。

调优建议：当你使用SortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些，大于shuffle read task的数量。那么此时就会自动启用bypass机制，map-side就不会进行排序了，减少了排序的性能开销。但是这种方式下，依然会产生大量的磁盘文件，因此shuffle write性能有待提高。

## spark.shuffle.consolidateFiles ##

默认值：false

参数说明：如果使用HashShuffleManager，该参数有效。如果设置为true，那么就会开启consolidate机制，会大幅度合并shuffle write的输出文件，对于shuffle read task数量特别多的情况下，这种方法可以极大地减少磁盘IO开销，提升性能。

调优建议：如果的确不需要SortShuffleManager的排序机制，那么除了使用bypass机制，还可以尝试将spark.shffle.manager参数手动指定为hash，使用HashShuffleManager，同时开启consolidate机制。在实践中尝试过，发现其性能比开启了bypass机制的SortShuffleManager要高出10%~30%。

[3c64f8aad07b6d0d8407a3473e3dee11.png]: /images/20221005/6fec46c901414fe39868cab33ee52373.png