上一篇内容讲了资源参数优化，本篇持续阐明spark driver以及spark shuffle相干的参数调优。
扩大spark driver
动静资源分配
在 Facebook，Spark 集群启用了动静资源分配（Dynamic Executor Allocation），以便更好的应用集群资源，而且在 Facebook 外部，Spark 是运行在多租户的集群上，所以这个也是十分适合的。比方典型的配置如下：
- spark.dynamicAllocation.enabled = true
- spark.dynamicAllocation.executorIdleTimeout = 2m
- spark.dynamicAllocation.minExecutors = 1
- spark.dynamicAllocation.maxExecutors = 2000
点击增加图片形容（最多60个字）编辑
多线程事件处理
在 Spark 2.3 版本之前，事件处理是单线程的架构，也就是说，事件队列外面的事件得一个一个解决。如果你的作业很大，并且有很多 tasks，很可能会导致事件处理呈现提早，进一步导致作业性能呈现问题，甚至使以后作业失败。为了解决这个问题，SPARK-18838 这个 ISSUE 引入了多线程事件处理架构，每个事件都有其独自的单线程 executor service 去解决，这样就能够大大减少事件处理延时的问题。另外，因为每类事件都有独自的事件队列，所以会减少 Driver 端的内存占用。
点击增加图片形容（最多60个字）编辑
更好的 Fetch 失败解决
在 Spark 2.3 版本之前，如果 Spark 探测到 fetch failure，那么它会把产生这个 shuffle 文件的 Executor 移除掉。然而如果这个 Executor 所在的机器有很多 Executor，而且是因为这台机器挂掉导致 fetch failure，那么会导致很多的 fetch 重试，这种解决机制很低下。SPARK-19753 这个 ISSUE 使得 Spark 能够把上述场景所有 Executor 的 shuffle 文件移除，也就是不再去重试就晓得 shuffle 文件不可用。
点击增加图片形容（最多60个字）编辑
另外，Spark 最大 Fetch 重试次数也能够通过 spark.max.fetch.failures.per.stage 参数配置。
FetchFailed 会在 ShuffleReader 取数据失败 N 次后抛出，而后由 executor 通过 statusUpdate 传到 driver 端，理论的解决会在 DAGScheduler.handleTaskCompletion，它会从新提交该 Stage 和该 Stage 对应的 ShuffleMapStage，重试次数超过 spark.stage.maxConsecutiveAttempts 时会退出。
RPC 服务线程调优
当 Spark 同时运行大量的 tasks 时，Driver 很容易呈现 OOM，这是因为在 Driver 端的 Netty 服务器上产生大量 RPC 的申请积压，咱们能够通过加大 RPC 服务的线程数解决 OOM 问题，比方 spark.rpc.io.serverThreads = 64。
spark shuffle相干的参数调优
spark.shuffle.file.buffer
默认值：32k
参数阐明：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。
调优倡议：如果作业可用的内存资源较为短缺的话，能够适当减少这个参数的大小（比方64k），从而缩小shuffle write过程中溢写磁盘文件的次数，也就能够缩小磁盘IO次数，进而晋升性能。在实践中发现，正当调节该参数，性能会有1%~5%的晋升。
spark.reducer.maxSizeInFlight
默认值：48m
参数阐明：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次可能拉取多少数据。
调优倡议：如果作业可用的内存资源较为短缺的话，能够适当减少这个参数的大小（比方96m），从而缩小拉取数据的次数，也就能够缩小网络传输的次数，进而晋升性能。在实践中发现，正当调节该参数，性能会有1%~5%的晋升。
spark.shuffle.io.maxRetries
默认值：3
参数阐明：shuffle read task从shuffle write task所在节点拉取属于本人的数据时，如果因为网络异样导致拉取失败，是会主动进行重试的。该参数就代表了能够重试的最大次数。如果在指定次数之内拉取还是没有胜利，就可能会导致作业执行失败。
调优倡议：对于那些蕴含了特地耗时的shuffle操作的作业，倡议减少重试最大次数（比方60次），以防止因为JVM的full gc或者网络不稳固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，调节该参数能够大幅度晋升稳定性。
spark.shuffle.io.retryWait
默认值：5s
参数阐明：具体解释同上，该参数代表了每次重试拉取数据的期待距离，默认是5s。
调优倡议：倡议加大距离时长（比方60s），以减少shuffle操作的稳定性。
spark.shuffle.memoryFraction
默认值：0.2
参数阐明：该参数代表了Executor内存中，调配给shuffle read task进行聚合操作的内存比例，默认是20%。
调优倡议：如果内存短缺，而且很少应用长久化操作，倡议调高这个比例，给shuffle read的聚合操作更多内存，以防止因为内存不足导致聚合过程中频繁读写磁盘。在实践中发现，正当调节该参数能够将性能晋升10%左右。
spark.shuffle.manager
默认值：sort
参数阐明：该参数用于设置ShuffleManager的类型。Spark 1.5当前，有三个可选项：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的默认选项，然而Spark 1.2以及之后的版本默认都是SortShuffleManager了。tungsten-sort与sort相似，然而应用了tungsten打算中的堆外内存管理机制，内存应用效率更高。
调优倡议：因为SortShuffleManager默认会对数据进行排序，因而如果你的业务逻辑中须要该排序机制的话，则应用默认的SortShuffleManager就能够；而如果你的业务逻辑不须要对数据进行排序，那么倡议参考前面的几个参数调优，通过bypass机制或优化的HashShuffleManager来防止排序操作，同时提供较好的磁盘读写性能。这里要留神的是，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
参数阐明：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，而是间接依照未经优化的HashShuffleManager的形式去写数据，然而最初会将每个task产生的所有长期磁盘文件都合并成一个文件，并会创立独自的索引文件。
调优倡议：当你应用SortShuffleManager时，如果确实不须要排序操作，那么倡议将这个参数调大一些，大于shuffle read task的数量。那么此时就会主动启用bypass机制，map-side就不会进行排序了，缩小了排序的性能开销。然而这种形式下，仍然会产生大量的磁盘文件，因而shuffle write性能有待进步。
spark.shuffle.consolidateFiles
默认值：false
参数阐明：如果应用HashShuffleManager，该参数无效。如果设置为true，那么就会开启consolidate机制，会大幅度合并shuffle write的输入文件，对于shuffle read task数量特地多的状况下，这种办法能够极大地缩小磁盘IO开销，晋升性能。
调优倡议：如果确实不须要SortShuffleManager的排序机制，那么除了应用bypass机制，还能够尝试将spark.shffle.manager参数手动指定为hash，应用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%。
spark.reducer.maxBlocksInFlightPerAddress
默认值：Int.MaxValue（2的31次方-1）
限度了每个主机每次reduce能够被多少台近程主机拉取文件块，调低这个参数能够无效加重node manager的负载。
spark.reducer.maxReqsInFlight
默认值：Int.MaxValue（2的31次方-1）
限度近程机器拉取本机器文件块的申请数，随着集群增大，须要对此做出限度。否则可能会使本机负载过大而挂掉。。
spark.reducer.maxReqSizeShuffleToMem
默认值：Long.MaxValue
shuffle申请的文件块大小 超过这个参数值，就会被强行落盘，避免一大堆并发申请把内存占满。
spark.shuffle.compress
默认压缩 true
是否压缩map输入文件
spark.shuffle.spill.compress
默认：true
shuffle过程中溢出的文件是否压缩，应用spark.io.compression.codec压缩。
理解更多