spark内存/工作区问题&正确的spark配置是什么？

guykilcj  于 2021-05-27  发布在  Spark
关注(0)|答案(1)|浏览(397)

我的spark群集中总共有6个节点。5个节点各有4个核和32gb ram，其中一个节点（节点4）有8个核和32gb ram。
所以我总共有6个节点-28个核，192gb内存（我想用一半的内存，但所有的核）
计划在集群上运行5个spark应用程序。
我的spark\u defaults.conf如下：

  1. spark.master                     spark://***:7077
  2. spark.eventLog.enabled           false
  3. spark.driver.memory              2g
  4. worker_max_heapsize              2g
  5. spark.kryoserializer.buffer.max.mb      128
  6. spark.shuffle.file.buffer.kb    1024
  7. spark.cores.max                 4
  8. spark.dynamicAllocation.enabled true

我希望通过设置以下配置，在每个节点上使用16gbmax，在每台机器上运行4个worker示例。因此，我的集群上需要（4个示例*6个节点=24个）工人。它们总共将使用多达28个内核（all）和96gbram。
我的spark-env.sh如下。

  1. export SPARK_WORKER_MEMORY=16g
  2. export SPARK_WORKER_INSTANCES=4
  3. SPARK_LOCAL_DIRS=/app/spark/spark-1.6.1-bin-hadoop2.6/local
  4. SPARK_WORKER_DIR=/app/spark/spark-1.6.1-bin-hadoop2.6/work

但我的星火团已经开始了
spark ui正在显示正在运行的工作人员。。

  1. Worker Id ? Address State   Cores   Memory
  2. worker-node4-address    ALIVE   8 (1 Used)  16.0 GB (0.0 GB Used)
  3. worker-node4-address    ALIVE   8 (1 Used)  16.0 GB (0.0 GB Used)
  4. worker-node4-address    ALIVE   8 (1 Used)  16.0 GB (0.0 GB Used)
  5. worker-node4-address    ALIVE   8 (0 Used)  16.0 GB (0.0 B Used)
  6. worker-node4-address    ALIVE   8 (1 Used)  16.0 GB (0.0 GB Used)
  7. worker-node1-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  8. worker-node1-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  9. worker-node1-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  10. worker-node1-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  12. worker-node2-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  13. worker-node2-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  14. worker-node2-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  15. worker-node2-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  17. worker-node3-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  18. worker-node3-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  19. worker-node3-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  20. worker-node3-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  22. worker-node5-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  23. worker-node5-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  24. worker-node5-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  25. worker-node5-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  27. worker-node6-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  28. worker-node6-address    ALIVE   4 (3 Used)  16.0 GB (0.0 GB Used)
  29. worker-node6-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)
  30. worker-node6-address    ALIVE   4 (0 Used)  16.0 GB (0.0 B Used)

但是主ui显示（当没有应用程序运行时）活动的worker:25个使用中的内核：总共120个，0个使用中的内存：总共400.0gb，0gb使用状态：活动
当我预期有24个工人（每个节点4个）时，为什么有25个工人节点4有8个核，1是额外的。
当我为每个节点分配了16gb的最大使用空间时，为什么它会显示内存正在使用：总共400.0GB？
ui数据显示我有120个核心，而我的集群上有28个核心？
你能告诉我我的系统应该有什么样的Spark配置吗。？
提交spark作业时应指定多少核心执行器内存？
什么是spark.cores.max参数？是每个节点还是整个集群？
我用spart submit配置运行了3个应用程序--executor memory 2g--total executor cores 4至少我的一个应用程序给出了以下错误和失败。

  1. Exception in thread "main" java.lang.OutOfMemoryError: unable to create new native thread
  2.         at java.lang.Thread.start0(Native Method)
  3.         at java.lang.Thread.start(Thread.java:714)
  4.         at scala.concurrent.forkjoin.ForkJoinPool.tryAddWorker(ForkJoinPool.java:1672)
  5.         at scala.concurrent.forkjoin.ForkJoinPool.signalWork(ForkJoinPool.java:1966)
  6.         at scala.concurrent.forkjoin.ForkJoinPool.fullExternalPush(ForkJoinPool.java:1905)
  7.         at scala.concurrent.forkjoin.ForkJoinPool.externalPush(ForkJoinPool.java:1834)
  8.         at scala.concurrent.forkjoin.ForkJoinPool.execute(ForkJoinPool.java:2955)
  9.         at scala.concurrent.impl.ExecutionContextImpl.execute(ExecutionContextImpl.scala:120)
  10.         at scala.concurrent.impl.Future$.apply(Future.scala:31)
  11.         at scala.concurrent.Future$.apply(Future.scala:485)
  12.         at org.apache.spark.deploy.rest.RestSubmissionClient.readResponse(RestSubmissionClient.scala:232)
  13.         at org.apache.spark.deploy.rest.RestSubmissionClient.org$apache$spark$deploy$rest$RestSubmissionClient$$postJson(RestSubmissionClient.scala:222)
  14.         at org.apache.spark.deploy.rest.RestSubmissionClient$$anonfun$createSubmission$3.apply(RestSubmissionClient.scala:87)
  15.         at org.apache.spark.deploy.rest.RestSubmissionClient$$anonfun$createSubmission$3.apply(RestSubmissionClient.scala:83)
  16.         at scala.collection.TraversableLike$WithFilter$$anonfun$foreach$1.apply(TraversableLike.scala:772)
  17.         at scala.collection.IndexedSeqOptimized$class.foreach(IndexedSeqOptimized.scala:33)
  18.         at scala.collection.mutable.ArrayOps$ofRef.foreach(ArrayOps.scala:108)
  19.         at scala.collection.TraversableLike$WithFilter.foreach(TraversableLike.scala:771)
  20.         at org.apache.spark.deploy.rest.RestSubmissionClient.createSubmission(RestSubmissionClient.scala:83)
  21.         at org.apache.spark.deploy.rest.RestSubmissionClient$.run(RestSubmissionClient.scala:411)
  22.         at org.apache.spark.deploy.rest.RestSubmissionClient$.main(RestSubmissionClient.scala:424)
  23.         at org.apache.spark.deploy.rest.RestSubmissionClient.main(RestSubmissionClient.scala)
  24.         at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
  25.         at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
  26.         at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
  27.         at java.lang.reflect.Method.invoke(Method.java:497)
  28.         at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:731)
  29.         at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:181)
  30.         at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:195)
  31.         at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:121)
  32.         at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)
apache-sparkspark-streaming

1条答案

按热度按时间
lp0sw83n

lp0sw83n1#

据我所知，每个节点只能启动一个工作进程：
http://spark.apache.org/docs/latest/hardware-provisioning.html
仅当每个节点的ram超过200 gb时。但每个节点没有200 gb ram。你能在spark-env.sh中的只有4个核的节点上设置这个吗？

  1. export SPARK_EXECUTOR_CORES=4
  2. export SPARK_EXECUTOR_MEMORY=16GB
  3. export SPARK_MASTER_HOST=<Your Master-Ip here>

在这个有8个核心的节点上：

  1. export SPARK_EXECUTOR_CORES=8
  2. export SPARK_EXECUTOR_MEMORY=16GB
  3. export SPARK_MASTER_HOST=<Your Master-Ip here>

在spark-defaults.conf的主节点上：

  1. spark.driver.memory              2g

我想你应该试试这个，然后把其他的数字注解出来作为测试。这就是你想要的吗？您的集群现在应该总共使用96 gb和28个核心。你可以启动你的应用程序，然后没有 --executor-memory 2G --total-executor-cores 4 . 但是一个 java.lang.OutOfMemoryError 可以在没有错误配置的情况下发生。当你向司机收取太多的钱时，也会发生这种情况。
是的，每个worker在当前配置中都有16gbram。那么25个工人*16 gb=总共400 gb。

展开查看全部
赞(0）分享  回复(0）举报  2021-05-27
我来回答

相关问题

    查看更多

    热门标签

    更多
    JavaquerypythonNode开发语言requestUtil数据库Table后端算法LoggerMessageElementParser

    最新问答

    更多
    • 蜀ICP备13028337号-1 大数据知识库 https://www.saoniuhuo.com © All rights reserved
    • 本站内容来源互联网,如果侵犯您的权益请联系我们删除, 联系方式：448109455@qq.com