Spark基本概念

Spark是一個用于集群計算的通用計算框架，數據科學應用和數據處理。 Spark項目包含多個緊密集成的組建。Spark的核心是一個對由很多計算任務組成的、運行在多個工作機器或者是一個計算集群上的應用進行調度、分發以及監控的計算引擎

spark-core

實現了Spark的基本功能，包括任務調度，內存管理，錯誤恢復，存儲系統交互以及對彈性分布式數據集(RDD)的API定義

spark-sql

是Spark用來操作結構化數據的程序包

spark-streaming 實時計算

是Spark對實時數據進行流式計算的組件

MLlib

Spark中的機器學習（ML）功能的程序庫

GraphX

操作圖（如社交網絡的朋友關系圖）的程序庫

集群管理器

Spark支持在各種**集群管理器(cluster manager)上運行，包括Hadoop YARN、Apache Mesos，以及Spark自帶的一個簡易調度器

RDD 彈性分布式數據集 Resillient Distributed Dataset

通過對分布式數據集的操作來表達我們的計算意圖，這些計算會自動的在集群上并行進行。RDD是Spark對分布數據和計算的基本抽象。

以下是整理的Spark中的一些配置參數，官方文檔請參考Spark Configuration。

Spark提供三個位置用來配置系統：

• Spark屬性：控制大部分的應用程序參數，可以用SparkConf對象或者Java系統屬性設置

• 環境變量：可以通過每個節點的conf/spark-env.sh腳本設置。例如IP地址、端口等信息

• 日志配置：可以通過log4j.properties配置

Spark屬性

Spark屬性控制大部分的應用程序設置，并且為每個應用程序分別配置它。這些屬性可以直接在SparkConf上配置，然后傳遞給SparkContext。SparkConf允許你配置一些通用的屬性（如master URL、應用程序名稱等等）以及通過set()方法設置的任意鍵值對。例如，我們可以用如下方式創建一個擁有兩個線程的應用程序。

val conf = new SparkConf().setMaster("local[2]").setAppName("CountingSheep").set("spark.executor.memory", "1g") val sc = new SparkContext(conf)

動態加載Spark屬性

在一些情況下，你可能想在SparkConf中避免硬編碼確定的配置。例如，你想用不同的master或者不同的內存數運行相同的應用程序。Spark允許你簡單地創建一個空conf。

val sc = new SparkContext(new SparkConf())

然后你在運行時設置變量：

./bin/spark-submit --name "My app" --master local[4] --conf spark.shuffle.spill=false--conf "spark.executor.extraJavaOptions=-XX:+PrintGCDetails -XX:+PrintGCTimeStamps" myApp.jar

Spark shell和spark-submit工具支持兩種方式動態加載配置。第一種方式是命令行選項，例如--master，如上面shell顯示的那樣。spark-submit可以接受任何Spark屬性，用--conf參數表示。但是那些參與Spark應用程序啟動的屬性要用特定的參數表示。運行./bin/spark-submit --help將會顯示選項的整個列表。

bin/spark-submit也會從conf/spark-defaults.conf中讀取配置選項，這個配置文件中，每一行都包含一對以空格或者等號分開的鍵和值。例如：

spark.master spark://5.6.7.8:7077 spark.executor.memory 512m spark.eventLog.enabled true spark.serializer org.apache.spark.serializer.KryoSerializer

任何標簽指定的值或者在配置文件中的值將會傳遞給應用程序，并且通過SparkConf合并這些值。在SparkConf上設置的屬性具有最高的優先級，其次是傳遞給spark-submit或者spark-shell的屬性值，最后是spark-defaults.conf文件中的屬性值。

優先級順序：

SparkConf > CLI > spark-defaults.conf

查看Spark屬性

在http://<driver>:4040上的應用程序Web UI在Environment標簽中列出了所有的Spark屬性。這對你確保設置的屬性的正確性是很有用的。

注意：只有通過spark-defaults.conf, SparkConf以及命令行直接指定的值才會顯示。對于其它的配置屬性，你可以認為程序用到了默認的值。

可用的屬性

控制內部設置的大部分屬性都有合理的默認值，一些最通用的選項設置如下：

應用程序屬性

屬性名稱默認值含義

spark.app.name	(none)	你的應用程序的名字。這將在UI和日志數據中出現
spark.driver.cores	1	driver程序運行需要的cpu內核數
spark.driver.maxResultSize	1g	每個Spark action(如collect)所有分區的序列化結果的總大小限制。設置的值應該不小于1m，0代表沒有限制。如果總大小超過這個限制，程序將會終止。大的限制值可能導致driver出現內存溢出錯誤（依賴于spark.driver.memory和JVM中對象的內存消耗）。
spark.driver.memory	512m	driver進程使用的內存數
spark.executor.memory	512m	每個executor進程使用的內存數。和JVM內存串擁有相同的格式（如512m,2g）
spark.extraListeners	(none)	注冊監聽器，需要實現SparkListener
spark.local.dir	/tmp	Spark中暫存空間的使用目錄。在Spark1.0以及更高的版本中，這個屬性被SPARK_LOCAL_DIRS(Standalone, Mesos)和LOCAL_DIRS(YARN)環境變量覆蓋。
spark.logConf	false	當SparkContext啟動時，將有效的SparkConf記錄為INFO。
spark.master	(none)	集群管理器連接的地方

運行環境

屬性名稱默認值含義

spark.driver.extraClassPath	(none)	附加到driver的classpath的額外的classpath實體。
spark.driver.extraJavaOptions	(none)	傳遞給driver的JVM選項字符串。例如GC設置或者其它日志設置。注意，在這個選項中設置Spark屬性或者堆大小是不合法的。Spark屬性需要用--driver-class-path設置。
spark.driver.extraLibraryPath	(none)	指定啟動driver的JVM時用到的庫路徑
spark.driver.userClassPathFirst	false	(實驗性)當在driver中加載類時，是否用戶添加的jar比Spark自己的jar優先級高。這個屬性可以降低Spark依賴和用戶依賴的沖突。它現在還是一個實驗性的特征。
spark.executor.extraClassPath	(none)	附加到executors的classpath的額外的classpath實體。這個設置存在的主要目的是Spark與舊版本的向后兼容問題。用戶一般不用設置這個選項
spark.executor.extraJavaOptions	(none)	傳遞給executors的JVM選項字符串。例如GC設置或者其它日志設置。注意，在這個選項中設置Spark屬性或者堆大小是不合法的。Spark屬性需要用SparkConf對象或者spark-submit腳本用到的spark-defaults.conf文件設置。堆內存可以通過spark.executor.memory設置
spark.executor.extraLibraryPath	(none)	指定啟動executor的JVM時用到的庫路徑
spark.executor.logs.rolling.maxRetainedFiles	(none)	設置被系統保留的最近滾動日志文件的數量。更老的日志文件將被刪除。默認沒有開啟。
spark.executor.logs.rolling.size.maxBytes	(none)	executor日志的最大滾動大小。默認情況下沒有開啟。值設置為字節
spark.executor.logs.rolling.strategy	(none)	設置executor日志的滾動(rolling)策略。默認情況下沒有開啟。可以配置為time和size。對于time，用spark.executor.logs.rolling.time.interval設置滾動間隔；對于size，用spark.executor.logs.rolling.size.maxBytes設置最大的滾動大小
spark.executor.logs.rolling.time.interval	daily	executor日志滾動的時間間隔。默認情況下沒有開啟。合法的值是daily,?hourly,?minutely以及任意的秒。
spark.files.userClassPathFirst	false	(實驗性)當在Executors中加載類時，是否用戶添加的jar比Spark自己的jar優先級高。這個屬性可以降低Spark依賴和用戶依賴的沖突。它現在還是一個實驗性的特征。
spark.python.worker.memory	512m	在聚合期間，每個python worker進程使用的內存數。在聚合期間，如果內存超過了這個限制，它將會將數據塞進磁盤中
spark.python.profile	false	在Python worker中開啟profiling。通過sc.show_profiles()展示分析結果。或者在driver退出前展示分析結果。可以通過sc.dump_profiles(path)將結果dump到磁盤中。如果一些分析結果已經手動展示，那么在driver退出前，它們再不會自動展示
spark.python.profile.dump	(none)	driver退出前保存分析結果的dump文件的目錄。每個RDD都會分別dump一個文件。可以通過ptats.Stats()加載這些文件。如果指定了這個屬性，分析結果不會自動展示
spark.python.worker.reuse	true	是否重用python worker。如果是，它將使用固定數量的Python workers，而不需要為每個任務fork()一個Python進程。如果有一個非常大的廣播，這個設置將非常有用。因為，廣播不需要為每個任務從JVM到Python worker傳遞一次
spark.executorEnv.[EnvironmentVariableName]	(none)	通過EnvironmentVariableName添加指定的環境變量到executor進程。用戶可以指定多個EnvironmentVariableName，設置多個環境變量
spark.mesos.executor.home	driver side SPARK_HOME	設置安裝在Mesos的executor上的Spark的目錄。默認情況下，executors將使用driver的Spark本地（home）目錄，這個目錄對它們不可見。注意，如果沒有通過?spark.executor.uri指定Spark的二進制包，這個設置才起作用
spark.mesos.executor.memoryOverhead	executor memory * 0.07, 最小384m	這個值是spark.executor.memory的補充。它用來計算mesos任務的總內存。另外，有一個7%的硬編碼設置。最后的值將選擇spark.mesos.executor.memoryOverhead或者spark.executor.memory的7%二者之間的大者

Shuffle行為

屬性名稱默認值含義

spark.reducer.maxMbInFlight	48	從遞歸任務中同時獲取的map輸出數據的最大大小（mb）。因為每一個輸出都需要我們創建一個緩存用來接收，這個設置代表每個任務固定的內存上限，所以除非你有更大的內存，將其設置小一點
spark.shuffle.blockTransferService	netty	實現用來在executor直接傳遞shuffle和緩存塊。有兩種可用的實現：netty和nio。基于netty的塊傳遞在具有相同的效率情況下更簡單
spark.shuffle.compress	true	是否壓縮map操作的輸出文件。一般情況下，這是一個好的選擇。
spark.shuffle.consolidateFiles	false	如果設置為”true”，在shuffle期間，合并的中間文件將會被創建。創建更少的文件可以提供文件系統的shuffle的效率。這些shuffle都伴隨著大量遞歸任務。當用ext4和dfs文件系統時，推薦設置為”true”。在ext3中，因為文件系統的限制，這個選項可能機器（大于8核）降低效率
spark.shuffle.file.buffer.kb	32	每個shuffle文件輸出流內存內緩存的大小，單位是kb。這個緩存減少了創建只中間shuffle文件中磁盤搜索和系統訪問的數量
spark.shuffle.io.maxRetries	3	Netty only，自動重試次數
spark.shuffle.io.numConnectionsPerPeer	1	Netty only
spark.shuffle.io.preferDirectBufs	true	Netty only
spark.shuffle.io.retryWait	5	Netty only
spark.shuffle.manager	sort	它的實現用于shuffle數據。有兩種可用的實現：sort和hash。基于sort的shuffle有更高的內存使用率
spark.shuffle.memoryFraction	0.2	如果spark.shuffle.spill為true，shuffle中聚合和合并組操作使用的java堆內存占總內存的比重。在任何時候，shuffles使用的所有內存內maps的集合大小都受這個限制的約束。超過這個限制，spilling數據將會保存到磁盤上。如果spilling太過頻繁，考慮增大這個值
spark.shuffle.sort.bypassMergeThreshold	200	(Advanced) In the sort-based shuffle manager, avoid merge-sorting data if there is no map-side aggregation and there are at most this many reduce partitions
spark.shuffle.spill	true	如果設置為”true”，通過將多出的數據寫入磁盤來限制內存數。通過spark.shuffle.memoryFraction來指定spilling的閾值
spark.shuffle.spill.compress	true	在shuffle時，是否將spilling的數據壓縮。壓縮算法通過spark.io.compression.codec指定。

Spark UI

屬性名稱默認值含義

spark.eventLog.compress	false	是否壓縮事件日志。需要spark.eventLog.enabled為true
spark.eventLog.dir	file:///tmp/spark-events	Spark事件日志記錄的基本目錄。在這個基本目錄下，Spark為每個應用程序創建一個子目錄。各個應用程序記錄日志到直到的目錄。用戶可能想設置這為統一的地點，像HDFS一樣，所以歷史文件可以通過歷史服務器讀取
spark.eventLog.enabled	false	是否記錄Spark的事件日志。這在應用程序完成后，重新構造web UI是有用的
spark.ui.killEnabled	true	運行在web UI中殺死stage和相應的job
spark.ui.port	4040	你的應用程序dashboard的端口。顯示內存和工作量數據
spark.ui.retainedJobs	1000	在垃圾回收之前，Spark UI和狀態API記住的job數
spark.ui.retainedStages	1000	在垃圾回收之前，Spark UI和狀態API記住的stage數

壓縮和序列化

屬性名稱默認值含義

spark.broadcast.compress	true	在發送廣播變量之前是否壓縮它
spark.closure.serializer	org.apache.spark.serializer.JavaSerializer	閉包用到的序列化類。目前只支持java序列化器
spark.io.compression.codec	snappy	壓縮諸如RDD分區、廣播變量、shuffle輸出等內部數據的編碼解碼器。默認情況下，Spark提供了三種選擇：lz4、lzf和snappy，你也可以用完整的類名來制定。
spark.io.compression.lz4.block.size	32768	LZ4壓縮中用到的塊大小。降低這個塊的大小也會降低shuffle內存使用率
spark.io.compression.snappy.block.size	32768	Snappy壓縮中用到的塊大小。降低這個塊的大小也會降低shuffle內存使用率
spark.kryo.classesToRegister	(none)	如果你用Kryo序列化，給定的用逗號分隔的自定義類名列表表示要注冊的類
spark.kryo.referenceTracking	true	當用Kryo序列化時，跟蹤是否引用同一對象。如果你的對象圖有環，這是必須的設置。如果他們包含相同對象的多個副本，這個設置對效率是有用的。如果你知道不在這兩個場景，那么可以禁用它以提高效率
spark.kryo.registrationRequired	false	是否需要注冊為Kyro可用。如果設置為true，然后如果一個沒有注冊的類序列化，Kyro會拋出異常。如果設置為false，Kryo將會同時寫每個對象和其非注冊類名。寫類名可能造成顯著地性能瓶頸。
spark.kryo.registrator	(none)	如果你用Kryo序列化，設置這個類去注冊你的自定義類。如果你需要用自定義的方式注冊你的類，那么這個屬性是有用的。否則spark.kryo.classesToRegister會更簡單。它應該設置一個繼承自KryoRegistrator的類
spark.kryoserializer.buffer.max.mb	64	Kryo序列化緩存允許的最大值。這個值必須大于你嘗試序列化的對象
spark.kryoserializer.buffer.mb	0.064	Kyro序列化緩存的大小。這樣worker上的每個核都有一個緩存。如果有需要，緩存會漲到spark.kryoserializer.buffer.max.mb設置的值那么大。
spark.rdd.compress	true	是否壓縮序列化的RDD分區。在花費一些額外的CPU時間的同時節省大量的空間
spark.serializer	org.apache.spark.serializer.JavaSerializer	序列化對象使用的類。默認的Java序列化類可以序列化任何可序列化的java對象但是它很慢。所有我們建議用org.apache.spark.serializer.KryoSerializer
spark.serializer.objectStreamReset	100	當用org.apache.spark.serializer.JavaSerializer序列化時，序列化器通過緩存對象防止寫多余的數據，然而這會造成這些對象的垃圾回收停止。通過請求’reset’，你從序列化器中flush這些信息并允許收集老的數據。為了關閉這個周期性的reset，你可以將值設為-1。默認情況下，每一百個對象reset一次

運行時行為

屬性名稱默認值含義

spark.broadcast.blockSize	4096	TorrentBroadcastFactory傳輸的塊大小，太大值會降低并發，太小的值會出現性能瓶頸
spark.broadcast.factory	org.apache.spark.broadcast.TorrentBroadcastFactory	broadcast實現類
spark.cleaner.ttl	(infinite)	spark記錄任何元數據（stages生成、task生成等）的持續時間。定期清理可以確保將超期的元數據丟棄，這在運行長時間任務是很有用的，如運行7*24的sparkstreaming任務。RDD持久化在內存中的超期數據也會被清理
spark.default.parallelism	本地模式：機器核數；Mesos：8；其他：max(executor的core，2)	如果用戶不設置，系統使用集群中運行shuffle操作的默認任務數（groupByKey、 reduceByKey等）
spark.executor.heartbeatInterval	10000	executor 向 the driver 匯報心跳的時間間隔，單位毫秒
spark.files.fetchTimeout	60	driver 程序獲取通過SparkContext.addFile()添加的文件時的超時時間，單位秒
spark.files.useFetchCache	true	獲取文件時是否使用本地緩存
spark.files.overwrite	false	調用SparkContext.addFile()時候是否覆蓋文件
spark.hadoop.cloneConf	false	每個task是否克隆一份hadoop的配置文件
spark.hadoop.validateOutputSpecs	true	是否校驗輸出
spark.storage.memoryFraction	0.6	Spark內存緩存的堆大小占用總內存比例，該值不能大于老年代內存大小，默認值為0.6，但是，如果你手動設置老年代大小，你可以增加該值
spark.storage.memoryMapThreshold	2097152	內存塊大小
spark.storage.unrollFraction	0.2	Fraction of spark.storage.memoryFraction to use for unrolling blocks in memory.
spark.tachyonStore.baseDir	System.getProperty(“java.io.tmpdir”)	Tachyon File System臨時目錄
spark.tachyonStore.url	tachyon://localhost:19998	Tachyon File System URL

網絡

屬性名稱默認值含義

spark.driver.host	(local hostname)	driver監聽的主機名或者IP地址。這用于和executors以及獨立的master通信
spark.driver.port	(random)	driver監聽的接口。這用于和executors以及獨立的master通信
spark.fileserver.port	(random)	driver的文件服務器監聽的端口
spark.broadcast.port	(random)	driver的HTTP廣播服務器監聽的端口
spark.replClassServer.port	(random)	driver的HTTP類服務器監聽的端口
spark.blockManager.port	(random)	塊管理器監聽的端口。這些同時存在于driver和executors
spark.executor.port	(random)	executor監聽的端口。用于與driver通信
spark.port.maxRetries	16	當綁定到一個端口，在放棄前重試的最大次數
spark.akka.frameSize	10	在”control plane”通信中允許的最大消息大小。如果你的任務需要發送大的結果到driver中，調大這個值
spark.akka.threads	4	通信的actor線程數。當driver有很多CPU核時，調大它是有用的
spark.akka.timeout	100	Spark節點之間的通信超時。單位是秒
spark.akka.heartbeat.pauses	6000	This is set to a larger value to disable failure detector that comes inbuilt akka. It can be enabled again, if you plan to use this feature (Not recommended). Acceptable heart beat pause in seconds for akka. This can be used to control sensitivity to gc pauses. Tune this in combination of?spark.akka.heartbeat.interval?and?spark.akka.failure-detector.threshold?if you need to.
spark.akka.failure-detector.threshold	300.0	This is set to a larger value to disable failure detector that comes inbuilt akka. It can be enabled again, if you plan to use this feature (Not recommended). This maps to akka’s?akka.remote.transport-failure-detector.threshold. Tune this in combination of?spark.akka.heartbeat.pauses?and?spark.akka.heartbeat.interval?if you need to.
spark.akka.heartbeat.interval	1000	This is set to a larger value to disable failure detector that comes inbuilt akka. It can be enabled again, if you plan to use this feature (Not recommended). A larger interval value in seconds reduces network overhead and a smaller value ( ~ 1 s) might be more informative for akka’s failure detector. Tune this in combination of?spark.akka.heartbeat.pauses?and?spark.akka.failure-detector.threshold?if you need to. Only positive use case for using failure detector can be, a sensistive failure detector can help evict rogue executors really quick. However this is usually not the case as gc pauses and network lags are expected in a real Spark cluster. Apart from that enabling this leads to a lot of exchanges of heart beats between nodes leading to flooding the network with those.

調度相關屬性

屬性名稱默認值含義

spark.task.cpus	1	為每個任務分配的內核數
spark.task.maxFailures	4	Task的最大重試次數
spark.scheduler.mode	FIFO	Spark的任務調度模式，還有一種Fair模式
spark.cores.max	?	當應用程序運行在Standalone集群或者粗粒度共享模式Mesos集群時，應用程序向集群請求的最大CPU內核總數（不是指每臺機器，而是整個集群）。如果不設置，對于Standalone集群將使用spark.deploy.defaultCores中數值，而Mesos將使用集群中可用的內核
spark.mesos.coarse	False	如果設置為true，在Mesos集群中運行時使用粗粒度共享模式
spark.speculation	False	以下幾個參數是關于Spark推測執行機制的相關參數。此參數設定是否使用推測執行機制，如果設置為true則spark使用推測執行機制，對于Stage中拖后腿的Task在其他節點中重新啟動，并將最先完成的Task的計算結果最為最終結果
spark.speculation.interval	100	Spark多長時間進行檢查task運行狀態用以推測，以毫秒為單位
spark.speculation.quantile	?	推測啟動前，Stage必須要完成總Task的百分比
spark.speculation.multiplier	1.5	比已完成Task的運行速度中位數慢多少倍才啟用推測
spark.locality.wait	3000	以下幾個參數是關于Spark數據本地性的。本參數是以毫秒為單位啟動本地數據task的等待時間，如果超出就啟動下一本地優先級別的task。該設置同樣可以應用到各優先級別的本地性之間（本地進程 -> 本地節點 -> 本地機架 -> 任意節點 ），當然，也可以通過spark.locality.wait.node等參數設置不同優先級別的本地性
spark.locality.wait.process	spark.locality.wait	本地進程級別的本地等待時間
spark.locality.wait.node	spark.locality.wait	本地節點級別的本地等待時間
spark.locality.wait.rack	spark.locality.wait	本地機架級別的本地等待時間
spark.scheduler.revive.interval	1000	復活重新獲取資源的Task的最長時間間隔（毫秒），發生在Task因為本地資源不足而將資源分配給其他Task運行后進入等待時間，如果這個等待時間內重新獲取足夠的資源就繼續計算

Dynamic Allocation

屬性名稱默認值含義

spark.dynamicAllocation.enabled	false	是否開啟動態資源搜集
spark.dynamicAllocation.executorIdleTimeout	600	?
spark.dynamicAllocation.initialExecutors	spark.dynamicAllocation.minExecutors	?
spark.dynamicAllocation.maxExecutors	Integer.MAX_VALUE	?
spark.dynamicAllocation.minExecutors	0	?
spark.dynamicAllocation.schedulerBacklogTimeout	5	?
spark.dynamicAllocation.sustainedSchedulerBacklogTimeout	schedulerBacklogTimeout	?

安全

屬性名稱默認值含義

spark.authenticate	false	是否Spark驗證其內部連接。如果不是運行在YARN上，請看spark.authenticate.secret
spark.authenticate.secret	None	設置Spark兩個組件之間的密匙驗證。如果不是運行在YARN上，但是需要驗證，這個選項必須設置
spark.core.connection.auth.wait.timeout	30	連接時等待驗證的實際。單位為秒
spark.core.connection.ack.wait.timeout	60	連接等待回答的時間。單位為秒。為了避免不希望的超時，你可以設置更大的值
spark.ui.filters	None	應用到Spark web UI的用于過濾類名的逗號分隔的列表。過濾器必須是標準的javax servlet Filter。通過設置java系統屬性也可以指定每個過濾器的參數。spark.<class name of filter>.params='param1=value1,param2=value2'。例如-Dspark.ui.filters=com.test.filter1、-Dspark.com.test.filter1.params='param1=foo,param2=testing'
spark.acls.enable	false	是否開啟Spark acls。如果開啟了，它檢查用戶是否有權限去查看或修改job。UI利用使用過濾器驗證和設置用戶
spark.ui.view.acls	empty	逗號分隔的用戶列表，列表中的用戶有查看Spark web UI的權限。默認情況下，只有啟動Spark job的用戶有查看權限
spark.modify.acls	empty	逗號分隔的用戶列表，列表中的用戶有修改Spark job的權限。默認情況下，只有啟動Spark job的用戶有修改權限
spark.admin.acls	empty	逗號分隔的用戶或者管理員列表，列表中的用戶或管理員有查看和修改所有Spark job的權限。如果你運行在一個共享集群，有一組管理員或開發者幫助debug，這個選項有用

加密

屬性名稱默認值含義

spark.ssl.enabled	false	是否開啟ssl
spark.ssl.enabledAlgorithms	Empty	JVM支持的加密算法列表，逗號分隔
spark.ssl.keyPassword	None	?
spark.ssl.keyStore	None	?
spark.ssl.keyStorePassword	None	?
spark.ssl.protocol	None	?
spark.ssl.trustStore	None	?
spark.ssl.trustStorePassword	None	?

Spark Streaming

屬性名稱默認值含義

spark.streaming.blockInterval	200	在這個時間間隔（ms）內，通過Spark Streaming receivers接收的數據在保存到Spark之前，chunk為數據塊。推薦的最小值為50ms
spark.streaming.receiver.maxRate	infinite	每秒鐘每個receiver將接收的數據的最大記錄數。有效的情況下，每個流將消耗至少這個數目的記錄。設置這個配置為0或者-1將會不作限制
spark.streaming.receiver.writeAheadLogs.enable	false	Enable write ahead logs for receivers. All the input data received through receivers will be saved to write ahead logs that will allow it to be recovered after driver failures
spark.streaming.unpersist	true	強制通過Spark Streaming生成并持久化的RDD自動從Spark內存中非持久化。通過Spark Streaming接收的原始輸入數據也將清除。設置這個屬性為false允許流應用程序訪問原始數據和持久化RDD，因為它們沒有被自動清除。但是它會造成更高的內存花費

集群管理

Spark On YARN

屬性名稱默認值含義

spark.yarn.am.memory	512m	client 模式時，am的內存大小；cluster模式時，使用spark.driver.memory變量
spark.driver.cores	1	claster模式時，driver使用的cpu核數，這時候driver運行在am中，其實也就是am和核數；client模式時，使用spark.yarn.am.cores變量
spark.yarn.am.cores	1	client 模式時，am的cpu核數
spark.yarn.am.waitTime	100000	啟動時等待時間
spark.yarn.submit.file.replication	3	應用程序上傳到HDFS的文件的副本數
spark.yarn.preserve.staging.files	False	若為true，在job結束后，將stage相關的文件保留而不是刪除
spark.yarn.scheduler.heartbeat.interval-ms	5000	Spark AppMaster發送心跳信息給YARN RM的時間間隔
spark.yarn.max.executor.failures	2倍于executor數，最小值3	導致應用程序宣告失敗的最大executor失敗次數
spark.yarn.applicationMaster.waitTries	10	RM等待Spark AppMaster啟動重試次數，也就是SparkContext初始化次數。超過這個數值，啟動失敗
spark.yarn.historyServer.address	?	Spark history server的地址（不要加?http://）。這個地址會在Spark應用程序完成后提交給YARN RM，然后RM將信息從RM UI寫到history server UI上。
spark.yarn.dist.archives	(none)	?
spark.yarn.dist.files	(none)	?
spark.executor.instances	2	executor實例個數
spark.yarn.executor.memoryOverhead	executorMemory * 0.07, with minimum of 384	executor的堆內存大小設置
spark.yarn.driver.memoryOverhead	driverMemory * 0.07, with minimum of 384	driver的堆內存大小設置
spark.yarn.am.memoryOverhead	AM memory * 0.07, with minimum of 384	am的堆內存大小設置，在client模式時設置
spark.yarn.queue	default	使用yarn的隊列
spark.yarn.jar	(none)	?
spark.yarn.access.namenodes	(none)	?
spark.yarn.appMasterEnv.[EnvironmentVariableName]	(none)	設置am的環境變量
spark.yarn.containerLauncherMaxThreads	25	am啟動executor的最大線程數
spark.yarn.am.extraJavaOptions	(none)	?
spark.yarn.maxAppAttempts	yarn.resourcemanager.am.max-attempts in YARN	am重試次數

Spark on Mesos

使用較少，參考Running Spark on Mesos。

Spark Standalone Mode

參考Spark Standalone Mode。

Spark History Server

當你運行Spark Standalone Mode或者Spark on Mesos模式時，你可以通過Spark History Server來查看job運行情況。

Spark History Server的環境變量：

屬性名稱含義

SPARK_DAEMON_MEMORY	Memory to allocate to the history server (default: 512m).
SPARK_DAEMON_JAVA_OPTS	JVM options for the history server (default: none).
SPARK_PUBLIC_DNS	?
SPARK_HISTORY_OPTS	配置 spark.history.* 屬性

Spark History Server的屬性：

屬性名稱默認含義

spark.history.provider	org.apache.spark.deploy.history.FsHistoryProvide	應用歷史后端實現的類名。 目前只有一個實現, 由Spark提供, 它查看存儲在文件系統里面的應用日志
spark.history.fs.logDirectory	file:/tmp/spark-events	?
spark.history.updateInterval	10	以秒為單位，多長時間Spark history server顯示的信息進行更新。每次更新都會檢查持久層事件日志的任何變化。
spark.history.retainedApplications	50	在Spark history server上顯示的最大應用程序數量，如果超過這個值，舊的應用程序信息將被刪除。
spark.history.ui.port	18080	官方版本中，Spark history server的默認訪問端口
spark.history.kerberos.enabled	false	是否使用kerberos方式登錄訪問history server，對于持久層位于安全集群的HDFS上是有用的。如果設置為true，就要配置下面的兩個屬性。
spark.history.kerberos.principal	空	用于Spark history server的kerberos主體名稱
spark.history.kerberos.keytab	空	用于Spark history server的kerberos keytab文件位置
spark.history.ui.acls.enable	false	授權用戶查看應用程序信息的時候是否檢查acl。如果啟用，只有應用程序所有者和spark.ui.view.acls指定的用戶可以查看應用程序信息;如果禁用，不做任何檢查。

環境變量

通過環境變量配置確定的Spark設置。環境變量從Spark安裝目錄下的conf/spark-env.sh腳本讀取（或者windows的conf/spark-env.cmd）。在獨立的或者Mesos模式下，這個文件可以給機器確定的信息，如主機名。當運行本地應用程序或者提交腳本時，它也起作用。

注意，當Spark安裝時，conf/spark-env.sh默認是不存在的。你可以復制conf/spark-env.sh.template創建它。

可以在spark-env.sh中設置如下變量：

環境變量含義

JAVA_HOME	Java安裝的路徑
PYSPARK_PYTHON	PySpark用到的Python二進制執行文件路徑
SPARK_LOCAL_IP	機器綁定的IP地址
SPARK_PUBLIC_DNS	你Spark應用程序通知給其他機器的主機名

除了以上這些，Spark?standalone cluster scripts也可以設置一些選項。例如每臺機器使用的核數以及最大內存。

因為spark-env.sh是shell腳本，其中的一些可以以編程方式設置。例如，你可以通過特定的網絡接口計算SPARK_LOCAL_IP。

配置日志

Spark用log4j?logging。你可以通過在conf目錄下添加log4j.properties文件來配置。一種方法是復制log4j.properties.template文件。

原創文章，轉載請注明： 轉載自JavaChen Blog，作者：JavaChen
本文鏈接地址：http://blog.javachen.com/2015/06/07/spark-configuration.html

總結

以上是生活随笔為你收集整理的Spark配置参数详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。