11 个例子讲清spark提交命令参数

- 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:

--master: 指定Spark集群的主节点URL
例如: --master spark://host:7077
--deploy-mode: 部署模式，可以是client或cluster
例如: --deploy-mode cluster
--class: 主类的全限定名称
例如: --class org.example.MySparkApp
--name: 应用程序名称
例如: --name "My Spark Application"
--jars: 包含应用程序依赖的JAR文件
例如: --jars dep1.jar,dep2.jar
--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
--conf: Spark配置属性
例如: --conf spark.executor.memory=4g
--driver-memory: 驱动程序使用的内存量
例如: --driver-memory 4g
--executor-memory: 每个执行器使用的内存量
例如: --executor-memory 4g
--num-executors: 启动的执行器数量
例如: --num-executors 5
--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：

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。
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。
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。
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。
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。
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。
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。
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。

如何开始学习

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

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。

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。

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。

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。

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。

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。

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。

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。

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。

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：

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）

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。

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

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

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

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

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

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

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

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

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