导航
3.1.4 Spark任务
最近更新时间：2022.09.05 11:25:29首次发布时间：2022.09.05 11:25:29
使用场景
spark任务，具体分为Jar spark任务和python spark任务。
Spark 使用说明
- Spark insert overwrite 使用示例
df.write.insertInto("aaa\\\_bbb\\\_doc\\\_html\\\_detail", True) - 用户自定义参数较多时，且存在K-V参数时，可参考如下配置
Spark程序中，如果自定义参数较多， 可直接在"自定义参数"输入框中配置，使用空格分隔，数据开发运行时，会将自定义参数拼接到main class之后，配置输入参数格式需符合spark main class程序解析方式。
如下图
如需使用时间变量，也可以直接在自定义参数中配置${date}/${DATE}等系统变量。 - Spark优化参数
参数列表
| 参数 | 描述 | 默认值 |
|---|---|---|
| spark.executor.instances | 静态资源下：executor数 | 2 |
| spark.executor.cores | 每个executor和CPU数 | 4 |
| spark.dynamicAllocation.enabled | 动态资源开关 | false |
| spark.dynamicAllocation.maxExecutors | 动态资源下：executor的最大个数 | 500 |
| spark.executor.memory | 每个executor的内存大小 | 8g |
| spark.memory.fraction | executor用于计算的内存比例，剩余部分用于存储元数据和运行信息。对于executor内存开的较大的任务，可以适当提高这个值，让更多内存参与计算，但会增加OOM风险 | 0.6 |
spark.executor.memoryOverhead/ | 每个executor的堆外内存大小，堆外内存主要用于数据IO，对于报堆外OOM的任务要适当调大，单位Mb，与之配合要调大executor JVM参数，例如： | 6144 |
| spark.sql.adaptive.enabled | Adaptive execution开关，包含自动调整并行度，解决数据倾斜等优化 | true |
| spark.sql.adaptive.minNumPostShufflePartitions | AE相关，动态最小的并行度 | 1 |
| spark.sql.adaptive.maxNumPostShufflePartitions | AE相关，动态最大的并行度，对于shuffle量大的任务适当增大可以减少每个task的数据量，如1024 | 1000 |
| spark.sql.adaptive.join.enabled | AE相关，开启后能够根据数据量自动判断能否将sortMergeJoin转换成broadcast join | true |
| spark.sql.adaptiveBroadcastJoinThreshold | AE相关，spark.sql.adaptive.join.enabled设置为true后会判断join的数据量是否小于该参数值，如果小于则能将sortMergeJoin转换成broadcast join | spark.sql.autoBroadcastJoinThreshold |
| spark.sql.adaptive.skewedJoin.enabled | AE相关，开启后能够自动处理join时的数据倾斜，对于数据量明显高于中位数的task拆分成多个小task | false |
| spark.sql.adaptive.skewedPartitionFactor | AE相关，数据倾斜判定标准，当同一stage的某个task数据量超过中位数的N倍，将会判定为数据倾斜 | 5 |
| spark.sql.adaptive.skewedPartitionMaxSplits | AE相关，被判定为数据倾斜后最多会被拆分成的份数 | 5 |
| spark.shuffle.accurateBlockThreshold | AE相关，数据倾斜判定基于shuffle数据量统计，如果统计所有的block数据，消耗内存较大，因此设有阈值，当shuffle的单个数据块超过大小和行数阈值时，才会进入统计，这个参数即大小阈值 | 100*1024*1024（100MB） |
| spark.shuffle.accurateBlockRecordThreshold | AE相关，同上，行数阈值，如果设置了上面的数据倾斜处理开关，仍然倾斜，可能是因为这几个参数设得偏大，适当缩小 | 2 * 1024 * 1024 |
| spark.sql.files.maxPartitionBytes | 默认一个task处理的数据大小，如果给的太小会造成最终任务task太多，太大会是输入环节计算较慢 | 1073741824 |
| spark.vcore.boost.ratio | vcore,虚拟核数，设置大于1的数可以使一个核分配多个task，对于简单sql可以提升CPU利用率，对于复杂任务有OOM风险 | 1 |
| spark.shuffle.hdfs.enabled（长任务推荐） | HDFS based Spark Shuffle开关，可以提高任务容错性。遇到org.apache.spark.shuffle.FetchFailedException报错需设置 | false |
set spark.shuffle.io.maxRetries=1; | 一般在开启hdfs shuffle后还可以开启这两个参数，避免不必要的重试和等待 | |
| spark.sql.crossJoin.enabled | 对于会产生笛卡尔积的sql，默认配置是限制不能跑的，在hive里可以配置set hive.mapred.mode=nonstrict跳过限制，相对应的在spark里可以配置set spark.sql.crossJoin.enabled=true起到同样的效果。 | false |
| spark.sql.broadcastTimeout | broadcast joins时，广播数据最长等待时间，网络不稳定时，容易出现超时造成任务失败，可适当增大此参数。 | 300（单位：s） |
| spark.sql.autoBroadcastJoinThreshold | 表能够使用broadcast join的最大阈值 | 10MB |
| spark.network.timeout | 网络连接超时参数 | 120s |
| spark.maxRemoteBlockSizeFetchToMem | reduce端获取的remote block存放到内存的阈值，超过该阈值后数据会写磁盘，当出现数据量比较大的block时，建议调小该参数（比如512MB）。 | Long.MaxValue |
| spark.reducer.maxSizeInFlight | 控制从一个worker拉数据缓存的最大值 | 48m |
| spark.merge.files.enabled | 合并输出文件，如果insert结果的输出文件数很多，希望合并，可以设为true，会多增加一个repartition stage合并文件，repartition的分区数由spark.merge.files.number控制 | false |
| spark.merge.files.number | 控制合并输出文件的输出数量 | 512 |
| spark.speculation | 推测执行开关。如果是原生任务很有可能没开这个参数，会出现个别task拖慢整个任务，可以开启这个参数。 | true |
| spark.speculation.multiplier | 开启推测执行的时间倍数阈值：当某个任务运行时间/中位数时间大于该值，触发推测执行。对于因为推测执行而浪费较多资源的任务可以适当调高这个参数。 | 1.5 |
| spark.speculation.quantile | 同一个stage中的task超过这个参数比例的task完成后，才会开启推测执行。对于因为推测执行而浪费较多资源的任务可以适当调高这个参数。 | 0.75 |
| spark.default.parallelism | Spark Core默认并发度，原生spark程序并发度设置 | 200 |
| spark.sql.shuffle.partitions | Spark SQL默认并发度，AE开启后被spark.sql.adaptive.maxNumPostShufflePartitions取代 | 200 |
| spark.sql.sources.bucketing.enabled | 分桶表相关，当设置为false，会将分桶表当作普通表来处理。做为普通表会忽略分桶特性，部分情况性能会下降。但如果分桶表没有被正确生成（即表定义是分桶表，但数据未按分桶表生成）会报错RuntimeException: Invalid bucket file，避免这个错误，要将这个参数设为false | true |
| spark.sql.partition.rownum.collect.enable | 统计生成固定分区表行数 | false |
| spark.sql.dynamic.partition.rownum.collect.enable | 统计生成动态分区表行数 | false |