由于Driver的内存管理较为简单，

内存管理主要对Executor的内存

管理进行探讨。

一、堆内(On-Heap Memory)和堆外(Off-Heap Memory)内存规划

​ Executor作为一个JVM进程，Executor的内存管理建立在JVM的内存管理之上。Spark对堆内内存进行JVM内存管理，引入了堆外内存，使之可以直接在工作节点的系统内存中开辟空间，进一步优化了内存的使用；其中，堆外内存直接向操作系统申请。

二、堆内内存(On-Heap Memory)

​ 堆内内存概述：

​ 在Spark程序启动时，堆内内存的大小由spark-submit中的–executor-memory 或 spark.executor.memory参数配置。Spark对于堆内内存的管理是一种逻辑上的“规划式”管理，因为对象实例占用内存的申请和释放都由JVM完成，Spark只能在申请后和释放前记录这些内存。

对于Spark的序列化对象，由于是字节流的形式，其占用的内存大小可以直接计算，而对于非序列化对象，其占用的内存是通过周期性的采样估算而得，即并不是新增数据项都会计算一次占用内存的大小，这种方法降低了时间开销，但是有可能误差较大，导致某一时刻的实际内存远远超出预期。所以Spark并不能准确记录实际可用的堆内内存，从而也无法避免内存溢出—OOM。

1.内存空间的动态分配

​ 在Spark1.6之前使用静态内存管理，即存储内存、执行内存和其他内存的大小在Spark应用程序运行期间是固定的。缺点很多，因此在Spark1.6以后，堆内内存和堆外内存的管理采用动态分配的形式，即：存储内存(Storage)和执行内存(Execution)共享同一块存储空间，双方可以动态的占用对方的空闲区域。

​动态占用机制的规则如下：

1.首先设定基本的Storage和Execution的区域(spark.storage.storageFraction参数)，该设定确定了双方各自拥有的空间范围；

2.双方的空间都不足时，则都存储到磁盘上面；

3.若己方空间不足，而对方空间空余时，可借用对方的空间(存储空间不足指不足以放下一个完整的Block)。

​ 在上图1中的情况中，Storage占用了Execution的空余内存后，Execution要开始用了，想把虚线标示的内存要回来，于是Storage便开始在自己缓存的RDD中，找到 StorageLevel.MEMORY_AND_DISK / .MEMORY_AND_DISK_2 / .MEMORY_AND_DISK_SER / .MEMORY_AND_DISK_SER_2 的数据，溢写到磁盘上。如果写到磁盘上以后，还是达不到虚线的标准，在这一部分存储的数据，会直接被删除。鉴于此种状况，cache / persist一般都与checkpoint结合使用。Spark-core的checkpoint将一个RDD存储到分布式文件系统中；Spark-streaming的checkpoint：1.保存整个运行环境；2.保存未处理的RDD，便于恢复故障；

    在上图2中的情况中，Execution占用了Storage的空余内存，但是Storage要开始用了，想把虚线标示的内存要回来，这时候！Execution对Storage理直气壮地说：我的Shuffle调度时对内存的应用太复杂了，给你腾不出来地方，这些内存就不还给你了！Storage当然义愤填膺的说：好！

2.淘汰与落盘

    由于同一个Executor的所有计算任务共享有限的存储内存空间，当有新的Block需要缓存但是剩余的内存空间不足且无法动态占用时，就要对LinkHashMap中的旧Block进行淘汰(Eviction)，而被淘汰的Block如果存储级别中包含存储到磁盘的要求，则要对其进行落盘(Drop)，否则直接删除该Block。遍历LinkedHashMap中Block，按照LRU进行淘汰，被淘汰的旧Block与新Block的MemoryMode相同，即同属堆外或堆内内存；新旧Block不能同属一个 RDD，避免循环淘汰。

​ 在RDD的缓存时，将原先存在Others中的含有多个Partition，且每个Partition中的record不连续的RDD，转存至Storage中，并且每个RDD中含有多个Block，且每个Block中的record连续，这个过程称为Unroll。

​ Storage模块在逻辑上以Block为基本存储单位，RDD的每个Partition经过处理后唯一对应一个Block(BlockId格式为rdd_RDD-ID_PARTITION-ID)。Driver端的Master负责整个Spark应用程序的Block的元数据信息管理和维护，而Executor端的Slave负责将Block的更新状态上报到Master，同时接收Master的命令，例如新增或者删除一个RDD。

3.执行内存(Execution)

​ Execution主要用来存储任务在执行Shuffle时占用的内存，Shuffle是按照一定规则对RDD数据重新分区的过程，由Shuffle Write和Shuffle Read两个阶段组成。

3-1 Shuffle Write

​ (1) 若在map端选用普通的排序方式，会采用ExternalSorter进行外排，在内存中存储数据时主要占用堆内执行空间；

​ (2)若在map端选择Tungsten方式，则采用ShuffleExternalSorter直接对序列化形式存储的数据排序，在内存中执行存储数据时可以使用堆内或堆外执行空间，取决了用户是否开启了堆外内存及堆外内存是否足够。

3-2 Shuffle Read

​ (1)在对reduce端数据进行聚合时，要将数据交给Aggregator处理，在内存中存储数据时占用堆内执行空间；

​ (2) 若对最终结果进行排序，则再次将数据交给ExternalSorter处理，此时占用堆内执行空间；

​ 在ExternalSorter和Aggregator中，Spark会使用一种叫AppendOnlyMap的哈希表在堆内执行内存中存储数据，但是在Shuffle过程中并不是所有的数据都能保存到哈希表中，这个哈希表占用的内存会周期性的进行估算，当达到一定程度，无法再从MemoryManager中申请到执行内存时，Spark就会全部存储到磁盘文件中，这个过程被称为溢存(Spill)，溢存到磁盘的文件最后会被归并(Merge)。

4.其他内存(other)

​ 这里用于存储没有被缓存的RDD、元数据及Spark对象实例。其中，RDD以Partition为基本存储单位。

总结

​ Spark的存储内存和执行内存有着截然不同的管理方式：对于Storage来说，Spark用一个LinkedHashMap来集中管理所有的Block，Block由需要缓存的RDD的Partition转化而成，而对于Execution来说，Spark用AppendOnlyMap来存储Shuffle过程中的数据，在Tungsten排序中甚至抽象成为页式管理，开辟了全新的JVM内存管理机制。

三、堆外内存(Off-Heap Memory)

​ Spark引入堆外内存(Off-Heap)，使之可以直接在工作节点的系统内存中开辟空间，存储经过序列化的二进制数据；

​ 堆外内存意味着把内存对象分配到Java虚拟以外的内存，这些内存直接受操作系统(而不是虚拟机)管理。这样做的结果就是能保持一个较小的堆，以减少垃圾收集对应用的影响。Spark可以直接操作系统堆外内存，减少了不必要的系统开销，以及频繁的GC扫描和回收，提高了处理性能。堆外内存可以被精确地申请和释放（JVM对于内存的清理是无法精确指定时间点的，因此无法实现精确的释放），而且序列化的数据占用的空间可以被精确地计算，所以相比堆内内存来说降低了难度，也降低了误差；

​ 在默认情况下堆外内存并不启用，可以通过配置spark.memory.offheap.enabled参数启用，并由spark.memory.offheap.size设定堆外空间的大小。除了没有Other空间外，堆内内存与堆外内存的划分方式相同，所有运行中的并发任务共享存储内存和执行内存。

四、spark常用参数说明

1.num-executors

参数说明：该参数用于设置Spark作业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照你的设置来在集群的各个工作节点上，启动相应数量的Executor进程。这个参数非常之重要，如果不设置的话，默认只会给你启动少量的Executor进程，此时你的Spark作业的运行速度是非常慢的。

参数调优建议：每个Spark作业的运行一般设置50~100个左右的Executor进程比较合适，设置太少或太多的Executor进程都不好。设置的太少，无法充分利用集群资源；设置的太多的话，大部分队列可能无法给予充分的资源。

2.executor-memory

参数说明：该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关联。

参数调优建议：每个Executor进程的内存设置4G

_{8G较为合适。但是这只是一个参考值，具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列的最大内存限制是多少，num-executors乘以executor-memory，是不能超过队列的最大内存量的。此外，如果你是跟团队里其他人共享这个资源队列，那么申请的内存量最好不要超过资源队列最大总内存的1/3}

1/2，避免你自己的Spark作业占用了队列所有的资源，导致别的同学的作业无法运行。

3.executor-cores

参数说明：该参数用于设置每个Executor进程的CPU core数量。这个参数决定了每个Executor进程并行执行task线程的能力。因为每个CPU core同一时间只能执行一个task线程，因此每个Executor进程的CPU core数量越多，越能够快速地执行完分配给自己的所有task线程。

参数调优建议：Executor的CPU core数量设置为2~4个较为合适。同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core限制是多少，再依据设置的Executor数量，来决定每个Executor进程可以分配到几个CPU core。同样建议，如果是跟他人共享这个队列，那么num-executors * executor-cores不要超过队列总CPU core的1/3~1/2左右比较合适，也是避免影响其他同学的作业运行。

4.driver-memory

参数说明：该参数用于设置Driver进程的内存。

参数调优建议：Driver的内存通常来说不设置，或者设置1G左右应该就够了。唯一需要注意的一点是，如果需要使用collect算子将RDD的数据全部拉取到Driver上进行处理，那么必须确保Driver的内存足够大，否则会出现OOM内存溢出的问题。

5.spark.default.parallelism

参数说明：该参数用于设置每个stage的默认task数量。这个参数极为重要，如果不设置可能会直接影响你的Spark作业性能。

参数调优建议：Spark作业的默认task数量为500~1000个较为合适。很多同学常犯的一个错误就是不去设置这个参数，那么此时就会导致Spark自己根据底层HDFS的block数量来设置task的数量，默认是一个HDFS block对应一个task。通常来说，Spark默认设置的数量是偏少的（比如就几十个task），如果task数量偏少的话，就会导致你前面设置好的Executor的参数都前功尽弃。试想一下，无论你的Executor进程有多少个，内存和CPU有多大，但是task只有1个或者10个，那么90%的Executor进程可能根本就没有task执行，也就是白白浪费了资源！因此Spark官网建议的设置原则是，设置该参数为num-executors * executor-cores的2~3倍较为合适，比如Executor的总CPU core数量为300个，那么设置1000个task是可以的，此时可以充分地利用Spark集群的资源。

6.spark.storage.memoryFraction

参数说明：该参数用于设置RDD持久化数据在Executor内存中能占的比例，默认是0.6。也就是说，默认Executor 60%的内存，可以用来保存持久化的RDD数据。根据你选择的不同的持久化策略，如果内存不够时，可能数据就不会持久化，或者数据会写入磁盘。

参数调优建议：如果Spark作业中，有较多的RDD持久化操作，该参数的值可以适当提高一些，保证持久化的数据能够容纳在内存中。避免内存不够缓存所有的数据，导致数据只能写入磁盘中，降低了性能。但是如果Spark作业中的shuffle类操作比较多，而持久化操作比较少，那么这个参数的值适当降低一些比较合适。此外，如果发现作业由于频繁的gc导致运行缓慢（通过spark web ui可以观察到作业的gc耗时），意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。

7.spark.shuffle.memoryFraction

参数说明：该参数用于设置shuffle过程中一个task拉取到上个stage的task的输出后，进行聚合操作时能够使用的Executor内存的比例，默认是0.2。也就是说，Executor默认只有20%的内存用来进行该操作。shuffle操作在进行聚合时，如果发现使用的内存超出了这个20%的限制，那么多余的数据就会溢写到磁盘文件中去，此时就会极大地降低性能。

参数调优建议：如果Spark作业中的RDD持久化操作较少，shuffle操作较多时，建议降低持久化操作的内存占比，提高shuffle操作的内存占比比例，避免shuffle过程中数据过多时内存不够用，必须溢写到磁盘上，降低了性能。此外，如果发现作业由于频繁的gc导致运行缓慢，意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。

8.total-executor-cores

参数说明：Total cores for all executors.

9.资源参数参考示例

以下是一份spark-submit命令的示例：

./bin/spark-submit \
  --master spark://192.168.1.1:7077 \
  --num-executors 100 \
  --executor-memory 6G \
  --executor-cores 4 \
　--total-executor-cores 400 \ ##standalone default all cores 
  --driver-memory 1G \
  --conf spark.default.parallelism=1000 \
  --conf spark.storage.memoryFraction=0.5 \
  --conf spark.shuffle.memoryFraction=0.3 \