全国企业信用信息宁波优化关键词首页排名
工作中经常用到Spark内存调参，之前还没对这块记录，这次记录一下。
环境参数
spark 内存模型中会涉及到多个配置，这些配置由一些环境参数及其配置值有关，为防止后面理解混乱，现在这里列举出来，如果忘记了，可以返回来看看：
- spark.executor.memory ：JVM On-Heap 内存（堆内内存），在使用 spark submit 提交的时候，可以通过配置 --executor-memory 来对这个值进行修改。
- spark.yarn.executor.memoryOverhead ：这是用于配置 Executor 的额外内存，因为 Executor 在执行的时候，可能会超过 executor memory，所以会为 executor 预留一部分内存。
- spark.memory.offHeap.enabled ：用于开启堆外内存（PS：这个是系统级别的，不受 JVM 管理）。
- spark.memory.offHeap.size ： 设置堆外内存大小；
- spark.memeory.fraction ：用于配置统一内存，这个值在 Spark 2.0+ 为 60%，Spark 1.6 为 75%。
- spark.storage.storageFraction ：用于从统一内存中分配 Storage Memory 的比例。
- yarn.scheduler.maximum-allocation-mb ：Spark 在 Worker 节点的可用内存。
- spark.executor.cores ：程序需要使用到的核数。
Executor 内存划分
由 yarn.scheduler.maximum-allocation-mb 指定 NodeManager 上 JVM 的内存，提交任务时，如果 MemoryOverhead 和 Executor Memory 所占的内存之和大于分配的内存之和，那就会造成 Executor 提交失败；运行过程中超过上限阈值，进程会被杀掉。
堆内内存（On-Heap Memory）
逐一介绍各个 Memory：
- Executor Memory： 由 spark.executor.memory 配置，或者在提交的时候使用 --executor-memory 进行配置。
- Reserved Memory： 这个内存是写死了的，默认 300MB，但也可以修改，前提是在测试环境下，通过修改 spark.test.reservedMemory 参数对这个值进行修改；这块内存用于存储 Spark 内部的对象。
- Usable Memory： Executor Memory - Reserved Memory 就是可用内存。
- Unified Memory： Usable Memory * spark.memeory.fraction 比例值（约等于 Usable Memory * 60%），这个内存由 Storage 和 Execution 共用，这两个之间有一个动态调节机制，后面说。
- Storage Memory： Unified Memory * spark.storage.storageFraction 比例值（约等于 Unified Memory * 50%），这块内存主要是用来存储一些缓存数据的，比如 cache()，persist()，RDD 的缓存数据等。
- Execution Memory： Unified Memory * (1 - spark.storage.storageFraction 比例值)，这块内存用于存储 Shuffle，Join，Sort，Aggregate 等计算过程中的临时数据。
- User Memory： Usable Memory * (1 - spark.memeory.fraction 比例值)，这块内存用于保存 RDD 转换操作时需要的一些数据，如父子 RDD 的依赖关系。
堆外内存（Off-Heap Memory）
这里要介绍的内存只有一个 Off-Heap Memory：
堆外内存是 Spark 1.6+ 以后引入的一种新的内存，Spark 可以直接操作系统的堆外内存，减少了不必要的内存开销，比如 GC 扫描和垃圾回收，但也正因为堆外内存不再由 JVM 管理，所以需要手动实现内存的申请和释放逻辑，提高了内存操作的精度。
堆外内存的大小可以通过 spark.memory.offHeap.size 参数进行配置，但是堆外内存是默认关闭的，可以通过配置 spark.memory.offHeap.enable 参数进行开启。
动态调节机制
Spark 1.5 以前，Storage Memory 和 Execution Memory 的大小分配是静态的（也就是说从一开始计算好大小后就不会变了），当两块内存满了以后，就会把溢出的数据落到磁盘上，但总所周知，从磁盘读取数据是没有从内存中读取数据快的，所以在后来加上了动态调节机制：
- Spark 程序提交后会计算 Storage Memory 和 Execution Memory 的内存大小并进行分配；
- 当两个内存空间都不足后，就会下落到磁盘上；若对方空间富余，就会向另一端借空间：
- Storage 向 Execution 借空间后，Execution 可以主动向 Storage 申请归还空间，并让 Storage 将数据放到磁盘上；
- Execution 向 Storage 借空间后，Storage 是无法主动让 Execution 归还空间的，因为 Execution 中存在 Shuffle 数据，该数据需要在网络中频繁传输，随时都会用到，而 Storage 中缓存的数据相对于 Shuffle 数据更会更少用到。
Task 能申请到的内存
spark.executor.cores 参数值就是 Spark 程序运行时得到的核数（以下简称为 N），每个 Task 能够分配到的内存大小为 1/2N ~ 1/N（举例，N=4，分配到的内存为 10G，那内存大小为 1.25G ~ 2.5G）。