# Spark配置 Spark提供三個位置用來配置系統： - Spark properties控制大部分的應用程序參數，可以用SparkConf對象或者java系統屬性設置 - Environment variables可以通過每個節點的` conf/spark-env.sh`腳本設置每臺機器的設置。例如IP地址 - Logging可以通過log4j.properties配置 ## Spark屬性 Spark屬性控制大部分的應用程序設置，并且為每個應用程序分別配置它。這些屬性可以直接在[SparkConf](http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.SparkConf)上配置，然后傳遞給`SparkContext`。`SparkConf` 允許你配置一些通用的屬性（如master URL、應用程序明）以及通過`set()`方法設置的任意鍵值對。例如，我們可以用如下方式創建一個擁有兩個線程的應用程序。注意，我們用`local[2]`運行，這意味著兩個線程-表示最小的 并行度，它可以幫助我們檢測當在分布式環境下運行的時才出現的錯誤。 ```scala val conf = new SparkConf() .setMaster("local[2]") .setAppName("CountingSheep") .set("spark.executor.memory", "1g") val sc = new SparkContext(conf) ``` 注意，我們在本地模式中擁有超過1個線程。和Spark Streaming的情況一樣，我們可能需要一個線程防止任何形式的饑餓問題。 ### 動態加載Spark屬性 在一些情況下，你可能想在`SparkConf`中避免硬編碼確定的配置。例如，你想用不同的master或者不同的內存數運行相同的應用程序。Spark允許你簡單地創建一個空conf。 ```scala val sc = new SparkContext(new SparkConf()) ``` 然后你在運行時提供值。 ```shell ./bin/spark-submit --name "My app" --master local[4] --conf spark.shuffle.spill=false --conf "spark.executor.extraJavaOptions=-XX:+PrintGCDetails -XX:+PrintGCTimeStamps" myApp.jar ``` Spark shell和`spark-submit`工具支持兩種方式動態加載配置。第一種方式是命令行選項，例如`--master`，如上面shell顯示的那樣。`spark-submit`可以接受任何Spark屬性，用`--conf` 標記表示。但是那些參與Spark應用程序啟動的屬性要用特定的標記表示。運行`./bin/spark-submit --help`將會顯示選項的整個列表。 `bin/spark-submit`也會從`conf/spark-defaults.conf`中讀取配置選項，這個配置文件中，每一行都包含一對以空格分開的鍵和值。例如： ``` spark.master spark://5.6.7.8:7077 spark.executor.memory 512m spark.eventLog.enabled true spark.serializer org.apache.spark.serializer.KryoSerializer ``` 任何標簽（flags）指定的值或者在配置文件中的值將會傳遞給應用程序，并且通過`SparkConf`合并這些值。在`SparkConf`上設置的屬性具有最高的優先級，其次是傳遞給`spark-submit` 或者`spark-shell`的屬性值，最后是`spark-defaults.conf`文件中的屬性值。 ### 查看Spark屬性 在`http://<driver>:4040`上的應用程序web UI在“Environment”標簽中列出了所有的Spark屬性。這對你確保設置的屬性的正確性是很有用的。注意，只有通過spark-defaults.conf, SparkConf以及 命令行直接指定的值才會顯示。對于其它的配置屬性，你可以認為程序用到了默認的值。 ### 可用的屬性 控制內部設置的大部分屬性都有合理的默認值，一些最通用的選項設置如下： #### 應用程序屬性 Property Name | Default | Meaning --- | --- | --- spark.app.name | (none) | 你的應用程序的名字。這將在UI和日志數據中出現 spark.master | (none) | 集群管理器連接的地方 spark.executor.memory | 512m | 每個executor進程使用的內存數。和JVM內存串擁有相同的格式（如512m,2g） spark.driver.memory | 512m | driver進程使用的內存數 spark.driver.maxResultSize | 1g | 每個Spark action(如collect)所有分區的序列化結果的總大小限制。設置的值應該不小于1m，0代表沒有限制。如果總大小超過這個限制，工作將會終止。大的限制值可能導致driver出現內存溢出錯誤（依賴于spark.driver.memory和JVM中對象的內存消耗）。設置合理的限制，可以避免出現內存溢出錯誤。 spark.serializer | org.apache.spark.serializer.JavaSerializer | 序列化對象使用的類。默認的java序列化類可以序列化任何可序列化的java對象但是它很慢。所有我們建議用[org.apache.spark.serializer.KryoSerializer](http://spark.apache.org/docs/latest/tuning.html) spark.kryo.classesToRegister | (none) | 如果你用Kryo序列化，給定的用逗號分隔的自定義類名列表表示要注冊的類 spark.kryo.registrator | (none) | 如果你用Kryo序列化，設置這個類去注冊你的自定義類。如果你需要用自定義的方式注冊你的類，那么這個屬性是有用的。否則`spark.kryo.classesToRegister`會更簡單。它應該設置一個繼承自[KryoRegistrator](http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.serializer.KryoRegistrator)的類 spark.local.dir | /tmp | Spark中暫存空間的使用目錄。在Spark1.0以及更高的版本中，這個屬性被SPARK_LOCAL_DIRS(Standalone, Mesos)和LOCAL_DIRS(YARN)環境變量覆蓋。 spark.logConf | false | 當SparkContext啟動時，將有效的SparkConf記錄為INFO。 #### 運行環境 Property Name | Default | Meaning --- | --- | --- spark.executor.extraJavaOptions | (none) | 傳遞給executors的JVM選項字符串。例如GC設置或者其它日志設置。注意，在這個選項中設置Spark屬性或者堆大小是不合法的。Spark屬性需要用SparkConf對象或者`spark-submit`腳本用到的`spark-defaults.conf`文件設置。堆內存可以通過`spark.executor.memory`設置 spark.executor.extraClassPath | (none) | 附加到executors的classpath的額外的classpath實體。這個設置存在的主要目的是Spark與舊版本的向后兼容問題。用戶一般不用設置這個選項 spark.executor.extraLibraryPath | (none) | 指定啟動executor的JVM時用到的庫路徑 spark.executor.logs.rolling.strategy | (none) | 設置executor日志的滾動(rolling)策略。默認情況下沒有開啟。可以配置為`time`（基于時間的滾動）和`size`(基于大小的滾動)。對于`time`，用`spark.executor.logs.rolling.time.interval`設置滾動間隔；對于`size`，用`spark.executor.logs.rolling.size.maxBytes`設置最大的滾動大小 spark.executor.logs.rolling.time.interval | daily | executor日志滾動的時間間隔。默認情況下沒有開啟。合法的值是`daily`, `hourly`, `minutely`以及任意的秒。 spark.executor.logs.rolling.size.maxBytes | (none) | executor日志的最大滾動大小。默認情況下沒有開啟。值設置為字節 spark.executor.logs.rolling.maxRetainedFiles | (none) | 設置被系統保留的最近滾動日志文件的數量。更老的日志文件將被刪除。默認沒有開啟。 spark.files.userClassPathFirst | false | (實驗性)當在Executors中加載類時，是否用戶添加的jar比Spark自己的jar優先級高。這個屬性可以降低Spark依賴和用戶依賴的沖突。它現在還是一個實驗性的特征。 spark.python.worker.memory | 512m | 在聚合期間，每個python worker進程使用的內存數。在聚合期間，如果內存超過了這個限制，它將會將數據塞進磁盤中 spark.python.profile | false | 在Python worker中開啟profiling。通過`sc.show_profiles()`展示分析結果。或者在driver退出前展示分析結果。可以通過`sc.dump_profiles(path)`將結果dump到磁盤中。如果一些分析結果已經手動展示，那么在driver退出前，它們再不會自動展示 spark.python.profile.dump | (none) | driver退出前保存分析結果的dump文件的目錄。每個RDD都會分別dump一個文件。可以通過`ptats.Stats()`加載這些文件。如果指定了這個屬性，分析結果不會自動展示 spark.python.worker.reuse | true | 是否重用python worker。如果是，它將使用固定數量的Python workers，而不需要為每個任務fork()一個Python進程。如果有一個非常大的廣播，這個設置將非常有用。因為，廣播不需要為每個任務從JVM到Python worker傳遞一次 spark.executorEnv.[EnvironmentVariableName] | (none) | 通過`EnvironmentVariableName`添加指定的環境變量到executor進程。用戶可以指定多個`EnvironmentVariableName`，設置多個環境變量 spark.mesos.executor.home | driver side SPARK_HOME | 設置安裝在Mesos的executor上的Spark的目錄。默認情況下，executors將使用driver的Spark本地（home）目錄，這個目錄對它們不可見。注意，如果沒有通過` spark.executor.uri`指定Spark的二進制包，這個設置才起作用 spark.mesos.executor.memoryOverhead | executor memory * 0.07, 最小384m | 這個值是`spark.executor.memory`的補充。它用來計算mesos任務的總內存。另外，有一個7%的硬編碼設置。最后的值將選擇`spark.mesos.executor.memoryOverhead`或者`spark.executor.memory`的7%二者之間的大者 #### Shuffle行為(Behavior) Property Name | Default | Meaning --- | --- | --- spark.shuffle.consolidateFiles | false | 如果設置為"true"，在shuffle期間，合并的中間文件將會被創建。創建更少的文件可以提供文件系統的shuffle的效率。這些shuffle都伴隨著大量遞歸任務。當用ext4和dfs文件系統時，推薦設置為"true"。在ext3中，因為文件系統的限制，這個選項可能機器（大于8核）降低效率 spark.shuffle.spill | true | 如果設置為"true"，通過將多出的數據寫入磁盤來限制內存數。通過`spark.shuffle.memoryFraction`來指定spilling的閾值 spark.shuffle.spill.compress | true | 在shuffle時，是否將spilling的數據壓縮。壓縮算法通過`spark.io.compression.codec`指定。 spark.shuffle.memoryFraction | 0.2 | 如果`spark.shuffle.spill`為“true”，shuffle中聚合和合并組操作使用的java堆內存占總內存的比重。在任何時候，shuffles使用的所有內存內maps的集合大小都受這個限制的約束。超過這個限制，spilling數據將會保存到磁盤上。如果spilling太過頻繁，考慮增大這個值 spark.shuffle.compress | true | 是否壓縮map操作的輸出文件。一般情況下，這是一個好的選擇。 spark.shuffle.file.buffer.kb | 32 | 每個shuffle文件輸出流內存內緩存的大小，單位是kb。這個緩存減少了創建只中間shuffle文件中磁盤搜索和系統訪問的數量 spark.reducer.maxMbInFlight | 48 | 從遞歸任務中同時獲取的map輸出數據的最大大小（mb）。因為每一個輸出都需要我們創建一個緩存用來接收，這個設置代表每個任務固定的內存上限，所以除非你有更大的內存，將其設置小一點 spark.shuffle.manager | sort | 它的實現用于shuffle數據。有兩種可用的實現：`sort`和`hash`。基于sort的shuffle有更高的內存使用率 spark.shuffle.sort.bypassMergeThreshold | 200 | (Advanced) In the sort-based shuffle manager, avoid merge-sorting data if there is no map-side aggregation and there are at most this many reduce partitions spark.shuffle.blockTransferService | netty | 實現用來在executor直接傳遞shuffle和緩存塊。有兩種可用的實現：`netty`和`nio`。基于netty的塊傳遞在具有相同的效率情況下更簡單 #### Spark UI Property Name | Default | Meaning --- | --- | --- spark.ui.port | 4040 | 你的應用程序dashboard的端口。顯示內存和工作量數據 spark.ui.retainedStages | 1000 | 在垃圾回收之前，Spark UI和狀態API記住的stage數 spark.ui.retainedJobs | 1000 | 在垃圾回收之前，Spark UI和狀態API記住的job數 spark.ui.killEnabled | true | 運行在web UI中殺死stage和相應的job spark.eventLog.enabled | false | 是否記錄Spark的事件日志。這在應用程序完成后，重新構造web UI是有用的 spark.eventLog.compress | false | 是否壓縮事件日志。需要`spark.eventLog.enabled`為true spark.eventLog.dir | file:///tmp/spark-events | Spark事件日志記錄的基本目錄。在這個基本目錄下，Spark為每個應用程序創建一個子目錄。各個應用程序記錄日志到直到的目錄。用戶可能想設置這為統一的地點，像HDFS一樣，所以歷史文件可以通過歷史服務器讀取 #### 壓縮和序列化 Property Name | Default | Meaning --- | --- | --- spark.broadcast.compress | true | 在發送廣播變量之前是否壓縮它 spark.rdd.compress | true | 是否壓縮序列化的RDD分區。在花費一些額外的CPU時間的同時節省大量的空間 spark.io.compression.codec | snappy | 壓縮諸如RDD分區、廣播變量、shuffle輸出等內部數據的編碼解碼器。默認情況下，Spark提供了三種選擇：lz4, lzf和snappy。你也可以用完整的類名來制定。`org.apache.spark.io.LZ4CompressionCodec`，`org.apache.spark.io.LZFCompressionCodec`，`org.apache.spark.io.SnappyCompressionCodec` spark.io.compression.snappy.block.size | 32768 | Snappy壓縮中用到的塊大小。降低這個塊的大小也會降低shuffle內存使用率 spark.io.compression.lz4.block.size | 32768 | LZ4壓縮中用到的塊大小。降低這個塊的大小也會降低shuffle內存使用率 spark.closure.serializer | org.apache.spark.serializer.JavaSerializer | 閉包用到的序列化類。目前只支持java序列化器 spark.serializer.objectStreamReset | 100 | 當用`org.apache.spark.serializer.JavaSerializer`序列化時，序列化器通過緩存對象防止寫多余的數據，然而這會造成這些對象的垃圾回收停止。通過請求'reset',你從序列化器中flush這些信息并允許收集老的數據。為了關閉這個周期性的reset，你可以將值設為-1。默認情況下，每一百個對象reset一次 spark.kryo.referenceTracking | true | 當用Kryo序列化時，跟蹤是否引用同一對象。如果你的對象圖有環，這是必須的設置。如果他們包含相同對象的多個副本，這個設置對效率是有用的。如果你知道不在這兩個場景，那么可以禁用它以提高效率 spark.kryo.registrationRequired | false | 是否需要注冊為Kyro可用。如果設置為true，然后如果一個沒有注冊的類序列化，Kyro會拋出異常。如果設置為false，Kryo將會同時寫每個對象和其非注冊類名。寫類名可能造成顯著地性能瓶頸。 spark.kryoserializer.buffer.mb | 0.064 | Kyro序列化緩存的大小。這樣worker上的每個核都有一個緩存。如果有需要，緩存會漲到`spark.kryoserializer.buffer.max.mb`設置的值那么大。 spark.kryoserializer.buffer.max.mb | 64 | Kryo序列化緩存允許的最大值。這個值必須大于你嘗試序列化的對象 #### Networking Property Name | Default | Meaning --- | --- | --- spark.driver.host | (local hostname) | driver監聽的主機名或者IP地址。這用于和executors以及獨立的master通信 spark.driver.port | (random) | driver監聽的接口。這用于和executors以及獨立的master通信 spark.fileserver.port | (random) | driver的文件服務器監聽的端口 spark.broadcast.port | (random) | driver的HTTP廣播服務器監聽的端口 spark.replClassServer.port | (random) | driver的HTTP類服務器監聽的端口 spark.blockManager.port | (random) | 塊管理器監聽的端口。這些同時存在于driver和executors spark.executor.port | (random) | executor監聽的端口。用于與driver通信 spark.port.maxRetries | 16 | 當綁定到一個端口，在放棄前重試的最大次數 spark.akka.frameSize | 10 | 在"control plane"通信中允許的最大消息大小。如果你的任務需要發送大的結果到driver中，調大這個值 spark.akka.threads | 4 | 通信的actor線程數。當driver有很多CPU核時，調大它是有用的 spark.akka.timeout | 100 | Spark節點之間的通信超時。單位是s spark.akka.heartbeat.pauses | 6000 | This is set to a larger value to disable failure detector that comes inbuilt akka. It can be enabled again, if you plan to use this feature (Not recommended). Acceptable heart beat pause in seconds for akka. This can be used to control sensitivity to gc pauses. Tune this in combination of `spark.akka.heartbeat.interval` and `spark.akka.failure-detector.threshold` if you need to. spark.akka.failure-detector.threshold | 300.0 | This is set to a larger value to disable failure detector that comes inbuilt akka. It can be enabled again, if you plan to use this feature (Not recommended). This maps to akka's `akka.remote.transport-failure-detector.threshold`. Tune this in combination of `spark.akka.heartbeat.pauses` and `spark.akka.heartbeat.interval` if you need to. spark.akka.heartbeat.interval | 1000 | This is set to a larger value to disable failure detector that comes inbuilt akka. It can be enabled again, if you plan to use this feature (Not recommended). A larger interval value in seconds reduces network overhead and a smaller value ( ~ 1 s) might be more informative for akka's failure detector. Tune this in combination of `spark.akka.heartbeat.pauses` and `spark.akka.failure-detector.threshold` if you need to. Only positive use case for using failure detector can be, a sensistive failure detector can help evict rogue executors really quick. However this is usually not the case as gc pauses and network lags are expected in a real Spark cluster. Apart from that enabling this leads to a lot of exchanges of heart beats between nodes leading to flooding the network with those. #### Security Property Name | Default | Meaning --- | --- | --- spark.authenticate | false | 是否Spark驗證其內部連接。如果不是運行在YARN上，請看`spark.authenticate.secret` spark.authenticate.secret | None | 設置Spark兩個組件之間的密匙驗證。如果不是運行在YARN上，但是需要驗證，這個選項必須設置 spark.core.connection.auth.wait.timeout | 30 | 連接時等待驗證的實際。單位為秒 spark.core.connection.ack.wait.timeout | 60 | 連接等待回答的時間。單位為秒。為了避免不希望的超時，你可以設置更大的值 spark.ui.filters | None | 應用到Spark web UI的用于過濾類名的逗號分隔的列表。過濾器必須是標準的[javax servlet Filter](http://docs.oracle.com/javaee/6/api/javax/servlet/Filter.html)。通過設置java系統屬性也可以指定每個過濾器的參數。`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.acls.enable | false | 是否開啟Spark acls。如果開啟了，它檢查用戶是否有權限去查看或修改job。 Note this requires the user to be known, so if the user comes across as null no checks are done。UI利用使用過濾器驗證和設置用戶 spark.ui.view.acls | empty | 逗號分隔的用戶列表，列表中的用戶有查看(view)Spark web UI的權限。默認情況下，只有啟動Spark job的用戶有查看權限 spark.modify.acls | empty | 逗號分隔的用戶列表，列表中的用戶有修改Spark job的權限。默認情況下，只有啟動Spark job的用戶有修改權限 spark.admin.acls | empty | 逗號分隔的用戶或者管理員列表，列表中的用戶或管理員有查看和修改所有Spark job的權限。如果你運行在一個共享集群，有一組管理員或開發者幫助debug，這個選項有用 #### Spark Streaming Property Name | Default | Meaning --- | --- | --- spark.streaming.blockInterval | 200 | 在這個時間間隔（ms）內，通過Spark Streaming receivers接收的數據在保存到Spark之前，chunk為數據塊。推薦的最小值為50ms spark.streaming.receiver.maxRate | infinite | 每秒鐘每個receiver將接收的數據的最大記錄數。有效的情況下，每個流將消耗至少這個數目的記錄。設置這個配置為0或者-1將會不作限制 spark.streaming.receiver.writeAheadLogs.enable | false | Enable write ahead logs for receivers. All the input data received through receivers will be saved to write ahead logs that will allow it to be recovered after driver failures spark.streaming.unpersist | true | 強制通過Spark Streaming生成并持久化的RDD自動從Spark內存中非持久化。通過Spark Streaming接收的原始輸入數據也將清除。設置這個屬性為false允許流應用程序訪問原始數據和持久化RDD，因為它們沒有被自動清除。但是它會造成更高的內存花費 ## 環境變量 通過環境變量配置確定的Spark設置。環境變量從Spark安裝目錄下的`conf/spark-env.sh`腳本讀取（或者windows的`conf/spark-env.cmd`）。在獨立的或者Mesos模式下，這個文件可以給機器 確定的信息，如主機名。當運行本地應用程序或者提交腳本時，它也起作用。 注意，當Spark安裝時，`conf/spark-env.sh`默認是不存在的。你可以復制`conf/spark-env.sh.template`創建它。 可以在`spark-env.sh`中設置如下變量： Environment Variable | Meaning --- | --- JAVA_HOME | java安裝的路徑 PYSPARK_PYTHON | PySpark用到的Python二進制執行文件路徑 SPARK_LOCAL_IP | 機器綁定的IP地址 SPARK_PUBLIC_DNS | 你Spark應用程序通知給其他機器的主機名 除了以上這些，Spark [standalone cluster scripts](http://spark.apache.org/docs/latest/spark-standalone.html#cluster-launch-scripts)也可以設置一些選項。例如 每臺機器使用的核數以及最大內存。 因為`spark-env.sh`是shell腳本，其中的一些可以以編程方式設置。例如，你可以通過特定的網絡接口計算`SPARK_LOCAL_IP`。 ## 配置Logging Spark用[log4j](http://logging.apache.org/log4j/) logging。你可以通過在conf目錄下添加`log4j.properties`文件來配置。一種方法是復制`log4j.properties.template`文件。