执行Spark任务，资源分配是很重要的一方面。如果配置不准确，Spark任务将耗费整个集群的机缘导致其他应用程序得不到资源。
怎么去配置Spark任务的executors，cores，memory，有如下几个因素需要考虑：
- 数据量
- 任务完成时间点
- 静态或者动态的资源分配
- 上下游应用
Spark应用当中术语的基本定义：
- Partitions : 分区是大型分布式数据集的一小部分。 Spark使用分区来管理数据，这些分区有助于并行化数据处理，并且使executor之间的数据交换最小化
- Task：任务是一个工作单元，可以在分布式数据集的分区上运行，并在单个Excutor上执行。并行执行的单位是任务级别。单个Stage中的Tasks可以并行执行
- Executor：在一个worker节点上为应用程序创建的JVM，Executor将巡行task的数据保存在内存或者磁盘中。每个应用都有自己的一些executors，单个节点可以运行多个Executor，并且一个应用可以跨多节点。Executor始终伴随Spark应用执行过程，并且以多线程方式运行任务。spark应用的executor个数可以通过SparkConf或者命令行 –num-executor进行配置
- Cores：CPU最基本的计算单元，一个CPU可以有一个或者多个core执行task任务，更多的core带来更高的计算效率，Spark中，cores决定了一个executor中并行task的个数
- Cluster Manager：cluster manager负责从集群中请求资源
cluster模式执行的Spark任务包含了如下步骤：
- driver端，SparkContext连接cluster manager（Standalone/Mesos/Yarn）
- Cluster Manager在其他应用之间定位资源，只要executor执行并且能够相互通信，可以使用任何Cluster Manager
- Spark获取集群中节点的Executor，每个应用都能够有自己的executor处理进程
- 发送应用程序代码到executor中
- SparkContext将Tasks发送到executors
以上步骤可以清晰看到executors个数和内存设置在spark中的重要作用。
以下将尝试理解优化spark任务的最佳方式：
- 静态分配：配置值从spark-submit中体现
- 动态分配：从数据量和计算需求上衡量资源需求，并在使用后释放掉，这样可以让其他应用重复利用资源
静态分配
以下按不同例子讨论验证不同参数和配置组合
例子1硬件资源： 6 节点，每个节点16 cores, 64 GB 内存
每个节点在计算资源时候，给操作系统和Hadoop的进程预留1core，1GB，所以每个节点剩下15个core和63GB
内存。
core的个数，决定一个executor能够并发任务的个数。所以通常认为，一个executor越多的并发任务能够得到更好的性能，但有研究显示一个应用并发任务超过5，导致更差的性能。所以core的个数暂设置为5个。
5个core是表明executor并发任务的能力，并不是说一个系统有多少个core，即使我们一个CPU有32个core，也设置5个core不变。
executor个数，接下来，一个executor分配 5 core,一个node有15 core，从而我们计算一个node上会有3 executor（15 / 5），然后通过每个node的executor个数得到整个任务可以分配的executors个数。
我们有6个节点，每个节点3个executor，6 × 3 = 18个executors，额外预留1个executor给AM，最终要配置17个executors。
最后spark-submit启动脚本中配置 –num-executors = 17
memory，配置每个executor的内存，一个node，3 executor， 63G内存可用，所以每个executor可配置内存为63 / 3 = 21G
从Spark的内存模型角度，Executor占用的内存分为两部分：ExecutorMemory和MemoryOverhead，预留出MemoryOverhead的内存量之后，才是ExecutorMemory的内存。
MemoryOverhead的计算公式： max(384M, 0.07 × spark.executor.memory)
因此 MemoryOverhead值为0.07 × 21G = 1.47G > 384M
最终executor的内存配置值为 21G – 1.47 ≈ 19 GB
至此， Cores = 5, Executors= 17, Executor Memory = 19 GB
例子2硬件资源：6 node，32 core / node ，64G RAM / node
core个数：5，与例子1中描述具体原因相同
每个node的executor个数是 32 / 5 = 6
executor总个数： 6 node × 6 executor - 1 （AM） = 35
executor memory：
每个node的内存 = 63G（1G留给系统应用） / 6 ≈ 10
MemoryOverhead = 0.07 × 10G = 700M 约等于 1G
ExecutorMemory = 10 G - 1 G = 9 GB
最终 Cores = 5, Executors = 5, Executor Memory = 9 GB
例子3硬件资源： 6 节点，每个节点16 cores, 64 GB 内存
例子1和2的场景，都是从固定的core数量，计算executor和memory的数量。
基于例子1，假设memory不需要19G，而仅需要10G内存就足够数据计算，此时core, executor,memory按如下计算方式：
core个数据：5
每个node的executor个数：15 / 3 = 5
按照例子1计算方式，这个阶段的内存使用21G，除去MemoryOverhead的内存占用，剩下19G。当我们10G内存就足够的场景下，不能使用 63G / 10G = 6个executor。因为 6 exector × 5 core = 30 core，每个node要有30core，而例子1硬件配置是16core。这样我们就需要修改每个executor的core配置。
接下来，将core的个数从5改为3，每个node有5个executor，一共应该有 5 executor * 6 node - 1（AM占用的core） = 29 ，memory则 63G / 5 ≈ 12
MemoryOverhead = 0.07 × 12G = 840M 约等于 1G
ExecutorMemory = 12 G - 1 G = 11 GB
最终 Core = 3，Executor = 29，Executor Memory = 11G
动态分配
如果采用动态分配策略，executer的个数上限是无穷大。这就意味着Spark任务在需要资源的情况下，会占用到集群左右资源，集群中会有其他应用也需要资源运行，所以我们需要在集群层面上对core进行分配控制。
这就意味着我们在基于用户访问基础上，在基于YARN的任务中进行分配core，我们创建一个spark_user，分配min max的core个数，这些core从YARN中剥离，区别于其他基于YARN调度应用（例如Hadoop等）
为了理解动态资源分配，首先需要了解一些属性配置项：
spark.dynamicAllocation.enabled ： 设置为true，意味着我们不关心executor的个数，考虑用到动态资源分配策略，在stage阶段会有一下区别：
以多少个executor启动Spark任务？
spark.dynamicAllocation.initialExecutors：初始化executor个数
怎样动态控制executor的个数？
我们通过spark-submit的方式初始化executor个数，根据负载情况，任务在min(
spark.dynamicAllocation.minExecutors)和max(
spark.dynamicAllocation.maxExecutors)之间决定executor个数。
什么时候获取一个新的executor和放弃一个executor
spark.dynamicAllocation.schedulerBacklogTimeout ：依靠这个参数，决定我们什么时候获取一个新的executor，每轮任务executor个数较前一轮将逞指数增长，比如第一轮1个executor，后续添加2，4，8个executor的方式，在某些特定场景下，将使用max（spark.dynamicAllocation.maxExecutors）个executor。
spark.dynamicAllocation.executorIdleTimeout ：executor空闲的时间，超时之后，将executor移除
转载于:https://blog.51cto.com/10120275/2364992