1:Spark1.0.0属性配置方式
Spark属性提供了大部分应用程序的控制项,并且可以单独为每个应用程序进行配置。
在Spark1.0.0提供了3种方式的属性配置:
- SparkConf方式
- SparkConf方式可以直接将属性值传递到SparkContext;
- SparkConf可以对某些通用属性直接配置,如master使用setMaster,appname使用setAppName;
- 也可以使用set()方法对属性进行键-值对配置,如set("spark.executor.memory", "1g") 。
- 命令行参数方式
- 这种方式是在使用spark-submit或spark-shell提交应用程序的时候,用命令行参数提交;
- 这种方式可以比较灵活的配置各个应用程序的运行环境;
- 可以通过spark-submit --help 或 spark-shell –help显示出属性的完整列表。
- 文件配置方式
- 该方式是将属性配置项以键值对方式写入文本文件中,一个配置项占一行;
- 该文件默认为conf/spark-defaults.conf,spark-submit在提交应用程序的时候会检查是否存在该文件,有的话就将相关的属性配置载入;
- 该文件可以在 spark-submit的命令参数--properties-file定义不同的位置。
- 优先权
- SparkConf方式 > 命令行参数方式 >文件配置方式
- 查看Spark属性配置
- 通过应用程序的webUI(地址http://<driver>:4040)可以查看Spark属性配置,从而检查属性配置是否正确;
- 只是显示通过上面三种方式显式指定的属性配置,对于其他属性可以假定使用默认配置;
- 对于大多数内部控制属性,系统已经提供了合理的默认配置。
2:Spark1.0.0中通用属性
A:应用程序属性
属性名称 | 默认 | 含义 |
spark.app.name | 无 | 应用程序名称 |
spark.master | 无 | 要连接的群集管理器 |
spark.executor.memory | 512 m | 每个executor使用的内存总量 |
spark.serializer | org.apache.spark.serializer. JavaSerializer |
在网络数据传送或缓存时使用的序化 器 ,默认的序 化 器 是Java序化 器 ,虽然这种序 化 器 对任何Java对象可以使用,兼容性好,但是处理速度相当的慢;如果要追求处理速度的话,建议使用org.apache.spark.serializer.KryoSerializer序化 器 。当然也可以任意是定义为org.apache.spark.Serializer 子类的 序化器 。 |
spark.kryo.registrator | 无 | 如果要使用 Kryo 序化 器 ,需要创建一个继承 KryoRegistrator的类并设置系统属性spark.kryo.registrator指向该类。 |
spark.local.dir | /tmp | 用于暂存 空间的目录,该目录用于保存map输出文件或者 转储 RDD。该目录位于高速的本地磁盘上,或者位于使用逗号分隔的多个不同磁盘上的目录。注意: 在Spark 1.0 及更高版本这属性将被 群集管理器配置的环境变量 SPARK_LOCAL_DIRS (Standalone、Mesos) 或 LOCAL_DIRS (YARN) 代替。 |
spark.logConf | false | SparkContext 启动时记录有效 SparkConf信息。 |
B:运行时环境
属性名称 | 默认 | 含义 |
spark.executor.memory | 512 m | 分配给每个executor进程总内存(使用类似512m、2g格式) |
spark.executor.extraJavaOptions | 无 | 要传递给executor的额外 JVM 选项,注意不能使用它来设置Spark属性或堆大小设置。 |
spark.executor.extraClassPath | 无 | 追加到executor类路径中的附加类路径,主要为了兼容旧版本的Spark,通常不需要用户设置。 |
spark.executor.extraLibraryPath | 无 | 启动executor JVM 时要用到的特殊库路径。 |
spark.files.userClassPathFirst | false | executor在加载类的时候是否优先使用用户自定义的JAR包,而不是Spark带有的JAR包。此功能可以用于解决Spark依赖包和用户依赖包之间的冲突。目前,该属性只是一项试验功能。 |
C:Shuffle 操作
属性名称 | 默认 | 含义 |
spark.shuff le.consolidateFiles | false | 如果设置为true,在shuffle时就合并中间文件,对于有大量Reduce任务的shuffle来说,合并文件可以提高文件系统性能。如果使用的是 ext4 或 xfs 文件系统, 建议设置为true;对于ext3, 由于文件系统的限制,设置为true 反而 会使内核>8的机器 降低性能。 |
spark.shuffle.spill | true | 如果设置为true,在 shuffle 期间 通过溢出数据到磁盘来降低 了 内存 使用总 量,溢出阈值是由spark.shuffle.memoryFraction指定的。 |
spark.shuffle.spill.compress | true | 是否压缩在 shuffle 期间溢出的数据,如果压缩将使用spark.io.compression.codec。 |
spark.shuffle.compress | true | 是否压缩map输出文件,压缩将使用spark.io.compression.codec。 |
spark.shuffle.file.buffer.kb | 100 | 每个shuffle的文件输出流 内存缓冲区 的 大小 ,以KB为单位。这些缓冲区可以减少磁盘寻道的次数,也减少创建shuffle中间文件时的系统调用。 |
spark.reducer.maxMbInFlight | 48 | 每个reduce任务同时获取map输出的最大大小 (以兆字节为单位)。由于每个map输出都需要一个缓冲区来接收它,这代表着 每个 reduce 任务有 固定的内存开销,所以要设置小点,除非有很大内存。 |
D:Spark UI
属性名称 | 默认 | 含义 |
spark.ui.port | 4040 | 应用程序webUI的端口 |
spark.ui.retainedStages | 1000 | 在GC之前webUI保留的stage数量 |
spark.ui.killEnabled | true | 允许在 webUI将stage和相应的job杀死 |
spark.eventLog.enabled | false | 是否记录 Spark事件,用于 应用程序在完成后 重构 webUI。 |
spark.eventLog.compress | false | 是否压缩记录Spark事件,前提spark.eventLog.enabled为true。 |
spark.eventLog.dir | file:///tmp/spark-events | 如果spark.eventLog.enabled为 true,该属性为记录spark 事件的根目录。在此根目录中,Spark为 每个应用程序 创建分目录,并将 应用程序的 事件记录到在此目录中。用户可以将此属性设置为HDFS目录,以便history server读取历史记录文件。 |
E:压缩和序化
属性名称 | 默认 | 含义 |
spark.broadcast.compress | true | 是否在发送之前压缩广播变量。 |
spark.rdd.compress | false | 是否压缩序化的RDD分区 ,可以节省大量空间,但会消耗一些额外的CPU时间。 |
spark.io.compression.codec | org.apache.spark.io. LZFCompressionCodec |
用于压缩内部数据如 RDD 分区和shuffle输出的 编码 解码器 。 Spark提供两个编解码器: org.apache.spark.io.LZFCompressionCodec和org.apache.spark.io.SnappyCompressionCodec。其中,Snappy提供更快速的压缩和解压缩,而LZF提供了更好的压缩比。 |
spark.io.compression.snappy .block.size |
32768 | 使用 Snappy 编 码 解码器时, 编 码 解码器使用的 块大小 (以字节为单位) 。 |
spark. closure .serializer | org.apache.spark.serializer. JavaSerializer |
用于闭包 的序化器,目前只有支持Java序化器。 |
spark.serializer. objectStreamReset |
10000 | 使用 org.apache.spark.serializer.JavaSerializer序化时,序化器缓存对象以防止写入冗余数据,这时停止这些对象的垃圾收集。通过调用重置序化器,刷新该信息就可以收集旧对象。若要关闭这重定期重置功能将其设置为 < = 0 。默认情况下 每10000个对象将 重置序化器。 |
spark.kryo.referenceTracking | true | 当使用 Kryo 序化数据时, 是否跟踪对同一对象的引用。如果你的对象图有回路或者同一对象有多个副本,有必要设置为true;其他情况下 可以禁用以提高性能。 |
spark.kryoserializer.buffer.mb | 2 | 在Kryo 里 允许的最大对象大小 ( Kryo 会创建一个缓冲区,至少和序化的最大单个对象一样大) 。如果Kryo 出现缓冲区限制超出异常报错,增加这个值。注意,每个worker的每个core只有一个缓冲区。 |
F:执行操作
属性名称 | 默认 | 含义 |
spark.default.parallelism | 本地模式: 本地机器内核数
Mesos精细模式: 8 其他: 所有executor的core总数 或者2,以较大者为准 |
如果用户没设置,系统使用集群中运行shuffle操作的默认任务数(groupByKey、 reduceByKey等)。 |
spark.broadcast.factory | org.apache.spark.broadcast. HttpBroadcastFactory |
广播的实现类 |
spark.broadcast.blockSize | 4096 | TorrentBroadcastFactory块 大小(以kb为单位)。太大值在广播时降低并行性 (使速度变慢);太小值, BlockManager性能 可能会受到冲击。 |
spark.files.overwrite | false | 通过 SparkContext.addFile() 添加的文件在目标中已经存在并且内容不匹配时,是否覆盖目标文件。 |
spark.files.fetchTimeout | false | 在 获取由driver 通过SparkContext.addFile() 添加的文件时, 是否使用 通信时间 超时。 |
spark.storage.memoryFraction | 0.6 | Java堆用于cache的比例 |
spark.tachyonStore.baseDir | System.getProperty("java.io.tmpdir") | 用于存储RDD的techyon目录,tachyon文件系统的URL由spark.tachyonStore.url设置。也可以是逗号分隔的多个techyon目录。 |
spark.storage. memoryMapThreshold |
8192 | 以字节为单位的块大小,用于磁盘读取一个块大小进行内存映射。这可以防止Spark在内存映射时使用很小块,一般情况下,对块进行内存映射的开销接近或低于操作系统的页大小。 |
spark.tachyonStore.url | tachyon://localhost:19998 | 基于techyon文件的URL。 |
spark.cleaner.ttl | 无限 | spark记录任何元数据(stages生成、task生成等)的持续时间。定期清理可以确保将超期的元数据遗忘,这在运行长时间任务是很有用的,如运行24/7的sparkstreaming任务。注意RDD持久化在内存中的超期数据也会被清理。 |
G:网络通信
属性名称 | 默认 | 含义 |
spark.driver.host | 本地主机名 | 运行driver的主机名或 IP 地址。 |
spark.driver.port | 随机 | driver侦听的端口。 |
spark.akka.frameSize | 10 | 以MB为单位的driver和executor之间通信信息的大小,设置值越大,driver可以接受更大的计算结果。 |
spark.akka.threads | 4 | 用于通信的actor线程数,在大型集群中拥有更多CPU内核的driver可以增加actor线程数。 |
spark.akka.timeout | 100 | 以秒为单位的 Spark节点 之间通信超时时间。 |
spark.akka.heartbeat.pauses | 600 | 下面3个参数是用于设置akka自带的故障探测器,设置很大值的话,可以停用故障探测器。如果想启用故障探测器,以秒为单位设置这3个参数。通常是在特殊需要的情况下开启故障探测器,一个敏感的故障探测器有助于恶意的executor的定位,而对于由于GC暂停或网络滞后引起的情况下,不需要开启故障探测器;另外故障探测器的开启会导致由于心跳信息的频繁交换而引起的网络泛滥。 本参数是设置可接受的心跳停顿时间。 |
spark.akka.failure-detector.threshold | 300.0 | 对应AKKA的akka.remote.transport-failure-detector.threshold |
spark.akka.heartbeat.interval | 1000 | 心跳间隔时间 |
H:调度
属性名称 | 默认 | 含义 |
spark.task.cpus | 1 | 为每个任务分配的 内核 数。 |
spark.task.maxFailures | 4 | job放弃task前该task的失败次数,该值>=1 |
spark.scheduler.mode | FIFO | SparkContext对job进行调度所采用的模式。 对于多用户可采用FAIR模式。 |
spark.cores.max | 未设置 | 当应用程序运行在Standalone集群或者粗粒度共享模式Mesos集群时,应用程序向集群请求的最大CPU内核总数(不是指每台机器,而是整个集群)。如果不设置,对于Standalone集群将使用spark.deploy.defaultCores中数值,而Mesos将使用集群中可用的内核。 |
spark.mesos.coarse | false | 如果设置为true,在Mesos集群中运行时使用粗粒度共享模式。 |
spark.speculation | false | 以下几个参数是关于Spark推测执行机制的相关参数 。此参数设定是否使用推测执行 机制,如果设置为true则spark使用推测 执行 机制,对于Stage中拖后腿的Task在其他节点中重新启动,并将最先完成的Task的计算结果最为最终结果。 |
spark.speculation.interval | 100 | Spark多长时间进行检查task运行状态用以推测,以毫秒为单位。 |
spark.speculation.quantile | 0.75 | 推测启动前,Stage必须要完成总Task的百分比。 |
spark.speculation.multiplier | 1.5 | 比已完成Task的运行速度中位数慢多少倍才启用推测 |
spark.locality.wait | 3000 | 以下几个参数是关于Spark数据本地性的相关参数。 本参数是以毫秒为单位启动本地数据task的等待时间,如果超出就启动下一本地优先级别的task。该设置同样可以应用到各优先级别的本地性之间(本地进程 -> 本地节点 -> 本地机架 -> 任意节点 ),当然,也可以通过spark.locality.wait.node等参数设置不同优先级别的本地性。 |
spark.locality.wait.process | spark.locality.wait | 本地进程级别的本地等待时间 |
spark.locality.wait.node | spark.locality.wait |
本地节点级别的本地等待时间 |
spark.locality.wait.rack | spark.locality.wait | 本地机架级别的本地等待时间 |
spark.scheduler.revive.interval | 1000 | 复活重新获取资源的Task的最长时间间隔(毫秒),发生在Task因为本地资源不足而将资源分配给其他Task运行后进入等待时间,如果这个等待时间内重新获取足够的资源就继续计算。 |
I:安全
属性名称 | 默认 | 含义 |
spark.authenticate | false | Spark是否启用内部身份验证。 |
spark.authenticate.secret | 无 | 设置Spark用于组件之间进行身份验证的密钥。如果不是YARN上运行并且spark.authenticate为true时,需要设置密钥。 |
spark.core.connection. auth.wait.timeout |
30 | Spark用于组件时间进行身份认证的超时时间。 |
spark.ui.filters | 无 | Spark web UI 要使用的 以逗号分隔的筛选器名称列表。 筛选器要符合javax servlet Filter标准, 每个筛选器的参数可以通过设置java系统属性来指定: 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.ui.acls.enable | false | Spark webUI存取权限是否启用。如果启用,在用户浏览web界面的时候会检查用户是否有访问权限。 |
spark.ui.view.acls | 空 | 以逗号分隔Spark webUI访问用户的列表。默认情况下只有启动Spark job的用户才有访问权限。 |
J:Spark Streaming
属性名称 | 默认 | 含义 |
spark.streaming.blockInterval | 200 | 在时间间隔内 (毫秒)Spark Streaming接收器将接收数据合并成数据块并存储在Spark。 |
spark.streaming.unpersist | true | 如果设置为true,强迫将SparkStreaming持久化的RDD数据从Spark内存中清理,同样的,SparkStreaming接收的原始输入数据也会自动被清理;如果设置为false,则允许原始输入数据和持久化的RDD数据可被外部的Streaming应用程序访问,因为这些数据不会自动清理。 |
3:集群特有的属性
A:Standalone特有属性
Standalone还可以通过环境变量文件conf/spark-env.sh来设置属性,相关的配置项是:
- SPARK_MASTER_OPTS 配置master使用的属性
- SPARK_WORKER_OPTS 配置worker使用的属性
- SPARK_DAEMON_JAVA_OPTS 配置master和work都使用的属性
配置的时候,使用类似的语句:
export SPARK_MASTER_OPTS="-Dx1=y1 -Dx2=y2"
# - 其中x代表属性,y代表属性值
其中SPARK_MASTER_OPTS所支持的属性有:
属性名称 | 默认 | 含义 |
spark.deploy.spreadOut | true | Standalone集群管理器是否自由选择节点还是固定到尽可能少的节点,前者会有更好的数据本地性,后者对于计算密集型工作负载更有效 |
spark.deploy.defaultCores | 无限 | 如果没有设置spark.cores.max,该参数设置Standalone集群分配给应用程序的最大内核数,如果不设置,应用程序获取所有的有效内核。注意在一个共享的集群中,设置一个低值防止攫取了所有的内核,影响他人的使用。 |
spark.worker.timeout | 60 | master因为没有收到心跳信息而认为worker丢失的时间(秒) |
其中SPARK_WORKER_OPTS所支持的属性有:
属性名称 | 默认 | 含义 |
spark.worker.cleanup.enabled | false | 是否定期清理worker的应用程序工作目录,只适用于Standalone模式,不适用于YARN模式。清理的时候将无视应用程序是否在运行。 |
spark.worker.cleanup.interval | 1800 | 清理worker本地过期的应用程序工作目录的时间间隔(秒) |
spark.worker.cleanup.appDataTtl | 7*24*3600 | worker保留应用程序工作目录的有效时间。该时间由磁盘空间、应用程序日志、应用程序的jar包以及应用程序的提交频率来设定。 |
其中SPARK_DAEMON_JAVA_OPTS所支持的属性有:
属性名称 | 含义 |
spark.deploy.recoveryMode | 下面3个参数是用于配置zookeeper模式的master HA。 设置为ZOOKEEPER表示启用master备用恢复模式,默认为NONE。 |
spark.deploy.zookeeper.url | zookeeper集群URL |
spark.deploy.zookeeper.dir | zooKeeper保存恢复状态的目录,缺省为/spark |
spark.deploy.recoveryMode | 设成FILESYSTEM启用master单节点恢复模式,缺省值为NONE |
spark.deploy.recoveryDirectory | Spark保存恢复状态的目录 |
B:YARN特有属性
YARN特有属性的配置,应该是支持SparkConf方式和conf/spark-defaults.conf文件配置方式, 。
属性名称 | 默认 | 含义 |
spark.yarn.applicationMaster.waitTries | 10 | RM等待Spark AppMaster启动次数,也就是SparkContext初始化次数。超过这个数值,启动失败。 |
spark.yarn.submit.file.replication | 3 | 应用程序上载到HDFS的文件的复制因子 |
spark.yarn.preserve.staging.files | false | 设置为true,在job结束后,将stage相关的文件保留而不是删除。 |
spark.yarn.scheduler.heartbeat.interval-ms | 5000 | Spark AppMaster发送心跳信息给YARN RM的时间间隔 |
spark.yarn.max.executor.failures | 2倍于executor数 | 导致应用程序宣告失败的最大executor失败数 |
spark.yarn.historyServer.address | 无 | Spark history server的地址(要含有http://)。这个地址会在应用程序完成后提交给YARN RM,使得将信息从RM UI连接到history server UI上。 |
相关推荐
hadoop-2.6.0.tar.gz + ideaIC-13.1.6.tar.gz + jdk-7u75-linux-i586.tar.gz + scala-2.10.4.tgz + spark-1.0.0-bin-hadoop2.tgz
在Spark3.0.0中,配置文件是理解并优化其运行的关键部分。以下是对Spark配置文件及其重要性的详细解释。 1. **Spark配置体系结构** Spark的配置主要通过`conf`目录下的`spark-defaults.conf`文件进行管理。用户...
### 基于CDH 6.3.0 搭建 Hive on Spark 及相关配置和调优 #### 概述 随着大数据技术的发展,Hadoop生态系统不断成熟与完善,其中Apache Hive作为数据仓库工具,支持通过SQL语句进行查询、分析存储在Hadoop文件系统...
3. **修改Spark配置**: 在`conf/spark-env.sh`中,设置`SPARK_MASTER`为`local[*]`,表示Spark将在本地启动多个工作线程。同时,根据需要配置Hadoop的相关路径,如`HADOOP_CONF_DIR`指向Hadoop的配置目录。 4. **...
spark配置参数优化,spark配置参数优化,spark配置参数优化,spark配置参数优化
### Spark概述 #### 引言 本篇旨在详细介绍Apache Spark这一强大的分布式计算框架的基本概念、模型、部署方式及其使用场景。Spark作为一种先进的大数据处理技术,不仅继承了Hadoop MapReduce的优点,还在性能方面...
Spark 是一种与 Hadoop 相似的开源集群计算环境,但是两者之间还存在一些不同之处,这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越,换句话说,Spark 启用了内存分布数据集,除了能够提供交互式查询...
资源名称: Spark 集群配置文件 资源类型: 配置文件 描述: 这个资源包含了一个基本的Spark集群配置,包括Hadoop、Hive、MySQL和Spark的配置文件。 文件清单: Dockerfile build.sh build_network.sh -yarn-site.xml -...
由于IDEA的SBT框架建立过程特别缓慢...所以下面介绍一种基于IDEA的Maven框架搭建Spark开发环境,只需要建立添加Maven模块并导入该XML配置文件即可,注意其中的Spark版本和Scala版本要相互匹配。如有任何问题可以留言。
Linux环境下Hadoop与Spark安装配置手册知识点 1. JDK的安装与配置 - 在Linux环境下安装Java Development Kit(JDK)是运行Hadoop和Spark的前提。手册中提到使用的JDK版本为jdk-8u20-linux-i586.tar.gz,这是一个...
【标题】: "openfire+spark+sparkweb的配置指南" 【内容】: 本文将详细介绍如何配置openfire、spark和sparkweb这三款组件,它们是构建即时通讯系统的常用工具。Openfire是一款开源的XMPP服务器,Spark是基于Java的...
### Spark配置文件详解 #### 一、概述 在IT领域,Apache Spark作为一款高效的数据处理框架,被广泛应用于大规模数据处理场景中。然而,要使Spark正常运行,并发挥其最佳性能,合理的配置至关重要。本文将根据提供...
Spark 环境配置指南 本文将详细讲解 Spark 环境的配置过程,包括安装 JDK、Hadoop、Spark、Scala 等软件,搭建 Spark 集群环境。通过本文,您将了解到 Spark 环境配置的每个步骤,并且能够成功安装和配置 Spark ...
### Spark安装配置教程 #### 一、前提准备 在开始安装Spark之前,有几个重要的准备工作需要完成。 1. **确保Java已安装**: - Spark依赖于Java环境运行,因此需要确保系统上已经安装了JDK,并且正确设置了`JAVA_...
spark2.3的配置文件log4j.properties,修改部分是为了只显示ERROR信息,隐藏INFO信息
Spark 1.0 版本前的应用程序迁移 下一步 Spark Streaming Spark Streaming 概述 一个简单的示例 基本概念 依赖 初始化 StreamingContext Discretized Streams(DStreams)(离散化流) Input DStreams 和 ...
IDEA 搭建Spark环境时所需的依赖包配置,可以导入spark基本操作依赖包、机器学习依赖包等等。
在Vmware的Centos7环境中配置Spark虚拟机涉及到多个步骤,包括系统设置、免密登录、Java环境配置、Hadoop的安装与配置以及Yarn的设置。以下是详细的知识点说明: 1. **系统设置**: - 修改主机名:使用`...
《Hive on Spark安装配置详解》 在大数据处理领域,Hive作为一个基于Hadoop的数据仓库工具,常用于大规模数据集的查询和分析。然而,Hive默认使用MapReduce作为执行引擎,由于MapReduce的磁盘I/O特性,其性能相对较...