Spark的动态Executor机制_spark.executor.cores

最近在Spark程序运行的过程中发现了一个问题，系统每天会运行很多任务，任务计算逻辑是一样的，但是每个任务拉去的数据量有多有少，不知道怎么给Spark程序设置多少资源比较合理。这时候Spark的动态Executor分配机制就派上用场了，它会根据当前任务运行的情况自动调整Executor的数量，实现资源的弹性分配。

 

Spark的动态Executor分配机制介绍：

//开启Dynamic Resource Allocation

spark.dynamicAllocation.enabled=true;

//在每个nodeManager上设置外部shuffle服务，避免Executor被移除时Shuffel数据找不到。同时Yarn上还要进行其他配置，见参考中的链接

spark.shuffle.service.enabled=true;

//最少的Excutor数目

spark.dynamicAllocation.minExecutors;

 //最大Executro数目

spark.dynamicAllocation.maxExecutors;

//初始Executor数目(看下文分析)

spark.dynamicAllocation.initialExecutors ;

//任务队列非空，资源不够，申请executor的时间间隔，默认1s

spark.dynamicAllocation.schedulerBacklogTimeout;

//申请了新一批executor之后继续申请下一批的间隔，默认等于schedulerBacklogTimeout

spark.dynamicAllocation.sustainedSchedulerBacklogTimeout;

//Executor如果一段时间没有任务执行就会被回收，默认60s(个人觉得应该设置大一点)

spark.dynamicAllocation.executorIdleTimeout

// 当某个缓存数据的executor空闲时间超过这个设定值，就会被kill，默认Integer.MAX_VALUE，所以可以认为Executor cache了数据，就不会被Kill

spark.dynamicAllocation.cachedExecutorIdleTimeout

 

注意启用动态Executor之后，最初的Executor的个数其实不仅仅是由initialExecutors 参数决定的：

 

动态Executor分配机制的代码都在ExecutorAllocationManager类里面，但是看了上面这些参数之后，感觉已经解释的很清楚了，所以就不去特别分析下源码了。

 

个人的一些想法：

1. 根据数据量设置合理的minExecutors和maxExecutors值
2. spark.executor.cores，即一个Executor所拥有的cpu core默认为1，建议设置的多一点(比如3；Executor的内存也不要设置太大，5G-10G左右吧)，不然没任务Executor就被移除了，后续又要申请资源。
3. 对于每个Stage持续时间很短的应用，其实不适合这套机制。因为SubmitStage会涉及到资源调整，这样可能会频繁增加和杀掉Executors，造成系统颠簸,而Yarn对资源的申请处理速度并不快。建议把Executor的超时时间设置长一点
4. 还有程序的并行数设置，建议最小是 初始Executor * 核数。
5. 建议将Executor的超时时间(spark.dynamicAllocation.executorIdleTimeout)设置的长一点，比如300s。由于默认超时时间是60s，如果某些Task运行时间较长会导致Executor被回收然后又要重新申请Executor。个人测试了下，原先28min的任务，增加超时时间之后，只要20min便能运行完毕

 

参考：

http://spark.apache.org/docs/2.4.4/configuration.html#dynamic-allocation(官网介绍)

https://www.jianshu.com/p/f8b9d0ec49e5(动态资源申请是指数级增长的)

https://my.oschina.net/starqiu/blog/3187805(动态资源分配性能对比)

https://developer.aliyun.com/article/60211(Executor何时会被判断为空闲)