11 个例子讲清spark提交命令参数

news2024/12/26 11:46:10

image.png

目录

    • 提交命名参数详情
    • 为什么有这么多参数
    • 如何开始学习
    • 一些具体的例子
      • 1. 基本的Spark应用提交
      • 2. 提交带有依赖的Python脚本
      • 3. 运行Spark SQL作业
      • 4. 提交Spark Streaming作业
      • 5. 使用外部包运行Spark作业
      • 6. 动态资源分配
      • 7. 使用多个配置文件
      • 8. GPU 支持
      • 9. 自定义日志配置
      • 10. 使用Kubernetes作为集群管理器
      • 11 使用外部shuffle服务
    • 如何根据集群配置调整参数
    • 总结
      • 参数多样性的原因
      • 常用参数
      • 高级配置示例
      • 根据集群配置调整参数
      • 最佳实践

提交命名参数详情

Spark提交命令的主要参数如下。这些参数用于配置Spark应用程序的运行环境和资源分配。以下是一些常用参数的详细说明:

  1. --master: 指定Spark集群的主节点URL
    例如: --master spark://host:7077

  2. --deploy-mode: 部署模式，可以是client或cluster
    例如: --deploy-mode cluster

  3. --class: 主类的全限定名称
    例如: --class org.example.MySparkApp

  4. --name: 应用程序名称
    例如: --name "My Spark Application"
    image.png

  5. --jars: 包含应用程序依赖的JAR文件
    例如: --jars dep1.jar,dep2.jar

  6. --files: 需要放置在每个执行器的工作目录中的文件
    例如: --files config.properties

  7. --conf: Spark配置属性
    例如: --conf spark.executor.memory=4g
    image.png

  8. --driver-memory: 驱动程序使用的内存量
    例如: --driver-memory 4g

  9. --executor-memory: 每个执行器使用的内存量
    例如: --executor-memory 4g

  10. --num-executors: 启动的执行器数量
    例如: --num-executors 5

  11. --executor-cores: 每个执行器使用的核心数
    例如: --executor-cores 4

为什么有这么多参数

Spark提交命令有如此多的参数主要是为了满足不同场景下的需求，并提供足够的灵活性来优化应用程序的性能。解释一下为什么需要这么多参数：

image.png

  1. 适应不同的部署环境
    Spark可以在多种环境中运行，如单机、集群、云等。不同的参数允许用户针对特定环境进行配置。

  2. 资源管理和优化
    参数如--executor-memory和--num-executors允许用户根据可用资源和任务需求精细调整资源分配。

  3. 应用程序配置
    参数如--class和--jars允许用户指定应用程序的入口点和依赖，使Spark能够正确加载和运行用户的代码。

  4. 性能调优
    许多参数（如--conf）允许用户调整Spark的内部设置，以优化特定工作负载的性能。
    image.png

  5. 安全性和访问控制
    某些参数用于配置安全设置，如身份验证和加密。

  6. 日志和监控
    参数可以用来配置日志级别和监控设置，有助于调试和性能分析。

  7. 兼容性和版本控制
    一些参数允许用户指定兼容性设置或使用特定版本的组件。

  8. 灵活性和可扩展性
    丰富的参数集使Spark能够适应各种复杂的数据处理场景和工作流程。

虽然参数众多可能看起来复杂，但这实际上是Spark强大和灵活的体现。在实际使用中，您通常不需要设置所有参数。大多数情况下，您可以从一些基本参数开始，然后根据需要逐步调整和优化。
image.png

如何开始学习

  1. 常用参数集

在日常使用中，有一些参数是最常用的，掌握这些可以满足大部分基本需求：

  • --master: 指定集群管理器
  • --deploy-mode: 选择部署模式
  • --class: 指定主类
  • --executor-memory: 设置执行器内存
  • --num-executors: 设置执行器数量
  • --executor-cores: 设置每个执行器的核心数
  1. 使用配置文件

为了简化命令行，您可以将常用参数放在配置文件中，例如spark-defaults.conf。这样可以避免每次都要输入长命令。

  1. 创建脚本或别名

您可以创建shell脚本或别名，封装常用的Spark提交命令和参数，以便快速启动应用程序。

  1. 使用环境变量

某些参数可以通过设置环境变量来指定，这样可以避免在命令行中重复输入。

  1. 利用Spark UI

Spark提供了Web UI，可以帮助您监控应用程序并了解资源使用情况，这有助于您优化参数设置。

  1. 渐进式优化

从基本配置开始，然后根据应用程序的性能和资源使用情况逐步调整参数。

  1. 了解默认值

熟悉Spark的默认参数值，这样您就知道在哪些情况下需要进行自定义设置。

  1. 使用高级资源管理器

如果您在大型集群上运行Spark，考虑使用像Kubernetes或Yarn这样的资源管理器，它们可以帮助自动化一些资源分配过程。

  1. 参数模板

为不同类型的作业（如ETL、机器学习等）创建参数模板，可以快速启动特定类型的任务。

  1. 持续学习

Spark生态系统在不断发展，定期查看文档和最佳实践可以帮助您更有效地使用和配置Spark。

记住，虽然参数很多，但您不需要一次掌握所有的参数。随着您使用Spark的经验增加，您会逐渐熟悉更多的参数和它们的用途。
image.png

一些具体的例子

1. 基本的Spark应用提交

这是一个简单的Spark应用提交命令：

spark-submit \
  --class org.example.MySparkApp \
  --master spark://master:7077 \
  --deploy-mode cluster \
  --executor-memory 4G \
  --num-executors 5 \
  myapp.jar

这个命令在集群模式下提交一个Spark应用，分配5个执行器，每个有4GB内存。

2. 提交带有依赖的Python脚本

如果您正在使用PySpark并需要额外的Python包：

spark-submit \
  --master yarn \
  --deploy-mode client \
  --executor-memory 2G \
  --executor-cores 2 \
  --num-executors 3 \
  --py-files dependencies.zip \
  --conf spark.yarn.appMasterEnv.PYSPARK_PYTHON=./environment/bin/python \
  my_pyspark_script.py

这个命令在YARN上以客户端模式运行PySpark脚本，包含了额外的Python依赖。

3. 运行Spark SQL作业

对于Spark SQL作业，您可能需要更多的驱动器内存：

spark-submit \
  --class org.apache.spark.sql.hive.thriftserver.HiveThriftServer2 \
  --master yarn \
  --deploy-mode client \
  --driver-memory 8G \
  --executor-memory 4G \
  --num-executors 10 \
  --conf spark.sql.hive.thriftServer.singleSession=true \
  spark-internal

这个命令启动一个Hive ThriftServer，为Spark SQL提供服务。

4. 提交Spark Streaming作业

对于流处理作业，您可能需要配置检查点和恢复选项：

spark-submit \
  --class com.example.StreamingJob \
  --master yarn \
  --deploy-mode cluster \
  --driver-memory 4G \
  --executor-memory 2G \
  --executor-cores 2 \
  --num-executors 5 \
  --conf spark.streaming.backpressure.enabled=true \
  --conf spark.streaming.kafka.maxRatePerPartition=100 \
  --conf spark.streaming.receiver.writeAheadLog.enable=true \
  streaming-job.jar

这个命令配置了一个Spark Streaming作业，启用了背压和预写日志。

5. 使用外部包运行Spark作业

如果您的作业依赖于外部库，例如连接到数据库：

spark-submit \
  --class com.example.DataProcessingJob \
  --master spark://master:7077 \
  --deploy-mode client \
  --driver-memory 4G \
  --executor-memory 2G \
  --num-executors 3 \
  --packages org.postgresql:postgresql:42.2.18 \
  --conf spark.executor.extraJavaOptions=-Dcom.amazonaws.services.s3.enableV4=true \
  data-processing-job.jar

这个命令包含了PostgreSQL JDBC驱动，并设置了一个Java系统属性。

一些更复杂的例子和使用技巧：

6. 动态资源分配

Spark支持动态资源分配，这对于长时间运行的作业特别有用：

spark-submit \
  --class com.example.LongRunningJob \
  --master yarn \
  --deploy-mode cluster \
  --executor-memory 4G \
  --conf spark.dynamicAllocation.enabled=true \
  --conf spark.shuffle.service.enabled=true \
  --conf spark.dynamicAllocation.initialExecutors=5 \
  --conf spark.dynamicAllocation.minExecutors=2 \
  --conf spark.dynamicAllocation.maxExecutors=20 \
  long-running-job.jar

这个配置允许Spark根据工作负载动态增加或减少执行器的数量。

7. 使用多个配置文件

您可以使用多个配置文件来管理不同环境的设置：

spark-submit \
  --properties-file prod-spark-defaults.conf \
  --files app-config.properties \
  --class com.example.ConfigurableJob \
  --master yarn \
  configurable-job.jar

这里，prod-spark-defaults.conf包含Spark的配置，而app-config.properties包含应用程序特定的配置。

8. GPU 支持

如果您的集群有GPU，您可以这样配置Spark以使用GPU：

spark-submit \
  --master yarn \
  --deploy-mode cluster \
  --num-executors 4 \
  --executor-memory 20G \
  --executor-cores 5 \
  --conf spark.task.resource.gpu.amount=1 \
  --conf spark.executor.resource.gpu.amount=1 \
  --conf spark.executor.resource.gpu.discoveryScript=/usr/lib/spark/gpu_discovery.sh \
  gpu-job.py

这个配置告诉Spark每个执行器使用一个GPU。

9. 自定义日志配置

您可以自定义Spark的日志配置：

spark-submit \
  --class com.example.LoggingJob \
  --master yarn \
  --deploy-mode cluster \
  --files log4j.properties \
  --conf spark.executor.extraJavaOptions="-Dlog4j.configuration=file:log4j.properties" \
  --conf spark.driver.extraJavaOptions="-Dlog4j.configuration=file:log4j.properties" \
  logging-job.jar

这个配置使用自定义的log4j.properties文件来控制日志输出。

10. 使用Kubernetes作为集群管理器

如果您使用Kubernetes来管理Spark集群：

spark-submit \
  --master k8s://https://k8s-apiserver-host:443 \
  --deploy-mode cluster \
  --name spark-pi \
  --class org.apache.spark.examples.SparkPi \
  --conf spark.executor.instances=5 \
  --conf spark.kubernetes.container.image=spark:v3.1.1 \
  --conf spark.kubernetes.authenticate.driver.serviceAccountName=spark \
  local:///path/to/examples.jar

这个命令在Kubernetes集群上提交Spark作业。

11 使用外部shuffle服务

对于大规模洗牌操作，使用外部洗牌服务可以提高性能：

spark-submit \
  --class com.example.ShuffleIntensiveJob \
  --master yarn \
  --deploy-mode cluster \
  --conf spark.shuffle.service.enabled=true \
  --conf spark.dynamicAllocation.enabled=true \
  --conf spark.shuffle.service.port=7337 \
  shuffle-intensive-job.jar

这个配置启用了外部洗牌服务，这可以提高大规模数据洗牌的效率。

这些高级示例展示了Spark提交命令的强大功能和灵活性。通过这些配置，您可以精细地控制Spark作业的执行方式，优化资源使用，并适应各种复杂的计算环境。

如何根据集群配置调整参数

根据集群配置调整Spark参数是优化性能的关键。这个过程需要考虑多个因素，并且通常需要一些实验和调优。以下是一些指导原则和步骤，根据集群配置调整Spark参数：

  1. 了解集群资源

首先，您需要清楚地了解您的集群资源：

  • 节点数量
  • 每个节点的CPU核心数
  • 每个节点的内存大小
  • 网络带宽
  • 存储类型和容量（HDD、SSD、NVMe等）
  1. 设置执行器数量（–num-executors）

通常，你会希望每个节点运行少量执行器，以充分利用资源：

--num-executors = (节点数 * 每节点核心数) / 每执行器核心数 - 1

减1是为了给ApplicationMaster预留资源。

  1. 设置执行器内存（–executor-memory）

考虑到系统和Hadoop守护进程的开销，通常将每个节点75-80%的内存分配给Spark：

--executor-memory = (节点内存 * 0.75) / 每节点执行器数
  1. 设置执行器核心数（–executor-cores）

一般建议每个执行器使用5个核心左右：

--executor-cores 5
  1. 调整驱动程序内存（–driver-memory）

对于驱动程序密集型作业，可能需要增加驱动程序内存：

--driver-memory 4g
  1. 配置分区数

分区数通常设置为执行器核心总数的2-3倍：

--conf spark.default.parallelism=(--num-executors * --executor-cores) * 2
  1. 调整 shuffle 分区

对于大数据集，可能需要增加 shuffle 分区数：

--conf spark.sql.shuffle.partitions=1000
  1. 启用动态资源分配

对于工作负载变化的场景，启用动态资源分配可以提高资源利用率：

--conf spark.dynamicAllocation.enabled=true
--conf spark.shuffle.service.enabled=true
  1. 根据存储类型优化

如果使用SSD，可以增加 spark.shuffle.file.buffer：

--conf spark.shuffle.file.buffer=64k
  1. 网络配置

对于网络密集型任务，可以调整以下参数：

--conf spark.reducer.maxSizeInFlight=96m
--conf spark.shuffle.io.maxRetries=10
--conf spark.shuffle.io.retryWait=60s
  1. 序列化

使用Kryo序列化可以提高性能：

--conf spark.serializer=org.apache.spark.serializer.KryoSerializer

示例配置：

假设我们有一个10节点的集群，每个节点有16核和64GB内存：

spark-submit \
  --class com.example.BigDataJob \
  --master yarn \
  --deploy-mode cluster \
  --num-executors 30 \
  --executor-cores 5 \
  --executor-memory 17g \
  --driver-memory 4g \
  --conf spark.default.parallelism=300 \
  --conf spark.sql.shuffle.partitions=1000 \
  --conf spark.dynamicAllocation.enabled=true \
  --conf spark.shuffle.service.enabled=true \
  --conf spark.serializer=org.apache.spark.serializer.KryoSerializer \
  big-data-job.jar

这只是一个起点。您需要根据实际工作负载和数据特征进行进一步的调整和测试。使用Spark UI和日志来监控性能，并根据观察结果逐步优化参数。

image.png

总结

Apache Spark提供了大量参数来优化其性能和资源使用。本文概述了Spark参数配置的关键方面。

参数多样性的原因

  1. 适应不同部署环境（单机、集群、云）
  2. 精细化资源管理和性能优化
  3. 应用程序配置灵活性
  4. 安全性和访问控制
  5. 日志和监控定制

常用参数

  • --master: 指定集群管理器
  • --deploy-mode: 选择部署模式
  • --class: 指定主类
  • --executor-memory: 设置执行器内存
  • --num-executors: 设置执行器数量
  • --executor-cores: 设置每个执行器的核心数

高级配置示例

  1. 动态资源分配
  2. 多配置文件使用
  3. GPU支持
  4. 自定义日志配置
  5. Kubernetes集成
  6. 外部洗牌服务

根据集群配置调整参数

  1. 了解集群资源（节点数、CPU、内存、网络、存储）
  2. 计算合适的执行器数量和内存
  3. 优化分区数和shuffle操作
  4. 启用动态资源分配
  5. 根据存储类型和网络特性进行优化
  6. 考虑序列化方式

最佳实践

  • 从基本配置开始，逐步优化
  • 利用Spark UI监控性能
  • 创建常用配置的脚本或别名
  • 定期查看文档和最新最佳实践

调整Spark参数是一个迭代过程，需要根据具体工作负载和集群特性不断优化。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1908649.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

【nginx】nginx的配置文件到底是什么结构，到底怎么写？

【nginx】nginx的配置文件到底是什么结构，到底怎么写？

背景：我window中下载了一个nginx，想要通过nginx来对本地的两个项目做动态代理，但是没想到下载启动都没遇见什么问题，但是在配置nginx.conf配置文件时，遇见了很多问题，查了好久没查到什么特别有用的内容&…
阅读更多...
微信小程序开发跳转京东，淘宝小程序

微信小程序开发跳转京东，淘宝小程序

没有淘宝小程序，所以只能提示他复制链接网页打开 跳转京东小程序 获取京东小程序 京东小程序appId：wx91d27dbf599dff74 或者点开京东小程序，查看详情即可获取到京东的appid 店铺页面路径 店铺首页：pages/shop/index/index?…
阅读更多...
无人机在交通管理方面的应用与潜力

无人机在交通管理方面的应用与潜力

随着智能化和数字化技术的发展，无人机已经成为智慧交通管理体系中的重要一环。无人机能够搭载各种专业设备，如超清摄像头、红外热成像摄像头、目标跟踪器等，从而完成多任务的数据采集和快速机动的任务执行。这些数据通过无线传输实时回传&…
阅读更多...
深圳航空x-s3-s4e逆向和顶象滑块动态替换问题

深圳航空x-s3-s4e逆向和顶象滑块动态替换问题

声明(lianxi a15018601872) 本文章中所有内容仅供学习交流使用，不用于其他任何目的，抓包内容、敏感网址、数据接口等均已做脱敏处理，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关！ 前言(lianxi a…
阅读更多...
Redis基础教程（十六）：Redis Stream

Redis基础教程（十六）：Redis Stream

💝💝💝首先，欢迎各位来到我的博客，很高兴能够在这里和您见面！希望您在这里不仅可以有所收获，同时也能感受到一份轻松欢乐的氛围，祝你生活愉快！ 💝&#x1f49…
阅读更多...
windows10下的游戏怎么卸载？

windows10下的游戏怎么卸载？

在Windows 10中卸载游戏可以通过多种途径进行，下面是一些常见的方法： 方法一：通过“设置”应用卸载 1. 点击左下角的“开始”按钮，打开“开始”菜单。 2. 选择“设置”图标（齿轮形状）。 3. 在“设置”窗…
阅读更多...
互联网接入技术的简单介绍

互联网接入技术的简单介绍

引言 要连接到互联网，用户必须先连接到某个ISP（互联网服务提供商）。接入技术解决的就是用户如何连接到本地ISP的问题，通常称之为“最后一公里”。本文将详细介绍几种主要的互联网接入技术，帮助初学者了解不同的接入方…
阅读更多...
Linux三剑客（grep、awk和sed）操作及与管道结合使用

Linux三剑客（grep、awk和sed）操作及与管道结合使用

1. 总览 grep、sed和awk被称为Linux三剑客，是因为它们在文本处理和数据操作方面极其强大且常用。 Linux三剑客在文件处理中的作用： grep（数据查找定位）：文本搜索工具，在文件中搜索符合正则表达式的文本内容…
阅读更多...
spark任务，使用 repartition 对数据进行了重新分区，但任务输入数据大小仍存在不均衡

spark任务，使用 repartition 对数据进行了重新分区，但任务输入数据大小仍存在不均衡

目录 目录 确认 Spark 任务重新分区后的数据不均衡 1. 检查分区大小 2. 使用 DataFrame API 检查分区 3. 使用 Spark UI 查看分区情况 4. 使用日志记录分区信息 可能原因 1. 数据分布不均衡 2. 分区策略 3. 数据预处理 解决方案 1. 检查数据分布 2. 使用 coalesce…
阅读更多...
Elasticsearch：Node.js ECS 日志记录 - Pino

Elasticsearch：Node.js ECS 日志记录 - Pino

在我的上一篇文章 “Beats：使用 Filebeat 从 Python 应用程序中提取日志” 里，我详述了如何使用 Python 来生成日志，并使用 Filebeat 来收集日志到 Elasticsearch 中。在今天的文章中，我来详细描述如何使用 Node.js 来生成 ECS 相…
阅读更多...
ubuntu18修改文件打开数

ubuntu18修改文件打开数

Ubuntu18永久修改 最大文件打开数和最大线程数 1、查看操作系统： cat /etc/os-release2、查看当前用户设置： ulimit -a 或者： ulimit -nopen files 是当前最大文件打开数量 max user processes是当前最大线程数量 3、永久修改配置&#x…
阅读更多...
音视频入门基础：H.264专题（10）——FFmpeg源码中，存放SPS属性的结构体和解码SPS的函数分析

音视频入门基础：H.264专题（10）——FFmpeg源码中，存放SPS属性的结构体和解码SPS的函数分析

一、引言 FFmpeg源码对AnnexB包装的H.264码流解码过程中，通过ff_h2645_extract_rbsp函数拿到该H.264码流中的某个NALU的NALU Header RBSP后（具体可以参考：《FFmpeg源码：ff_h2645_extract_rbsp函数分析》）&#xff0c…
阅读更多...
7月5日，自然保护地总体规划智能编制系统，线上宣讲会（腾讯会议：638-228-003）

7月5日，自然保护地总体规划智能编制系统，线上宣讲会（腾讯会议：638-228-003）

7月5日（本周五）下午2:30，国家林草局林草调查规划院胡理乐研究员，介绍自然保护地总体规划智能编制系统，欢迎大家线上参加！（腾讯会议号：638-228-003） 系统主要特色&#x…
阅读更多...
内存与硬盘(笔记)

内存与硬盘(笔记)

文章目录 1. 内存① 笔记② 相关软件 2. 硬盘① 笔记② 相关软件 3. 区别：4. 推荐 1. 内存 ① 笔记 ① 笔记本的内存条和台式机的内存条是不互通的 ② 我们常说的内存其实指的是运行内存(前台后台同时能运行多少APP) ③ 下图来自京东： 解析&#xff1…
阅读更多...
ShardingSphereConnection@4691d] will not be managed by Spring

ShardingSphereConnection@4691d] will not be managed by Spring

boot整合分库分表后启动执行，提示链接不被spring管理， 应该看自己需要， 解决：
阅读更多...
(十一) Docker compose 部署 Mysql 和 其它容器

(十一) Docker compose 部署 Mysql 和 其它容器

文章目录 1、前言1.1、部署 MySQL 容器的 3 种类型1.2、M2芯片类型问题 2、具体实现2.1、单独部署 mysql 供宿主机访问2.1.1、文件夹结构2.1.2、docker-compose.yml 内容2.1.3、运行 2.2、单独部署 mysql 容器供其它容器访问（以 apollo 为例）2.2.1、文件…
阅读更多...
近红外光谱脑功能成像(fNIRS):2.实验设计、指标计算与多重比较

近红外光谱脑功能成像(fNIRS):2.实验设计、指标计算与多重比较

一、实验设计的策略与方法 近红外光谱成像（INIRS）作为一种非侵入性脑功能成像技术，为研究大脑活动提供了一种高效、生态效度高的方法。然而，为了充分利用INIRS技术并确保实验结果的准确性和可靠性，研究者必须精心设计实…
阅读更多...
【密码学】流密码的基本概念

【密码学】流密码的基本概念

在介绍流密码之前，我们先来弄明白一个基础前置知识点——异或运算。 一、异或运算（XOR） 运算规则：相同为0，不同为1 特点：一个比特进行两次异或运算，可以恢复成原来的比特。 明文：110…
阅读更多...
【沐风老师】3DMAX建筑体块生成插件BuildingBlocks使用方法详解

【沐风老师】3DMAX建筑体块生成插件BuildingBlocks使用方法详解

BuildingBlocks建筑体块生成插件使用方法详解 听说你还在手动建配景楼？有了BuildingBlocks这个插件，一分钟搞定喔！ 3DMAX建筑体块生成插件BuildingBlocks，用于快速自定义街道及生成配景楼区块。 【适用版本】 3dMax2019及更高版…
阅读更多...
DataExcelServer局域网文件共享服务器增加两个函数

DataExcelServer局域网文件共享服务器增加两个函数

1、PFSUM合并指定路径下单元格ID的值 PFSUM("/103采购/8月采购名细","amount") 第一个参数为路径，第二个参数为单元格的ID 2、PFQuery 查询路径下 单元格ID值的列表 PFQuery("/103采购/8月采购名细","amount") 查询/103采…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023