1 修改$SPARK_HOME/conf目录下的spark-defaults.conf文件
添加以下配置项
spark.sql.hive.convertMetastoreParquet false
hive.exec.compress.output false
如果spark.sql.hive.convertMetastoreParquet不设置为false,前台清单预览看到的内容为乱码。
由于parquet格式的文件内置了压缩,故输出结果不需要进行压缩,如果设置为压缩,清单下载功能异常。
2 修改$SPARK_HOME/conf目录下spark-env.sh文件,设置以下参数:
SPARK_EXECUTOR_INSTANCES=11
SPARK_EXECUTOR_CORES=2
SPARK_EXECUTOR_MEMORY=1G
SPARK_DRIVER_MEMORY=3G
根据需要配置,如果设置刚好满足所有内存,则没有多余的内存供其他task任务的执行
2.1 参数SPARK_EXECUTOR_INSTANCES
该参数决定了yarn集群中,最多能够同时启动的EXECUTOR的实例个数。Yarn中实际能够启动的最大Executors的数量会小于等于该值。如果不能确定最大能够启动的Executors数量,建议将该值先设置的足够大。(就是设置尽量大)
2.2 SPARK_EXECUTOR_CORES 该参数为设置每个EXECUTOR能够使用的CPU core的数量。
Yarn集群能够最多并行的Task数据为SPARK_EXECUTOR_INSTANCES乘 以SPARK_EXECUTOR_CORES一般设置为2
也就是说如果spark_executor_instances=11 则最多并行的Task数为22
2.3 SPARK_EXECUTOR_MEMORY
该参数设置的是每个EXECUTOR分配的内存的数量。需要注意的是,该内存数量是SPARK_EXECUTOR_CORES中设置的内核数共用的内存数量。
例如上面示例中,就是2核cpu公用1G内存。
2.4 SPARK_DRIVER_MEMORY
该参数设置的是DRIVER分配的内存的大小。也就是执行start-thriftserver.sh机器上分配给thriftserver的内存大小。
3 yarn.nodemanager.resource.memory-mb
$HADOOP_HOME/etc/hadoop目录下的yarn-site.xml文件中,参数yarn.nodemanager.resource.memory-mb配置了每台机器yarn能够使用的物理内存大小,单位是MB。
如果发现集群内内存使用量明显比屋里内存小,可以修改该参数
4 spark.yarn.executor.memoryOverhead
该参数指定了每个executor在分配的内存之外,能够额外获得的内存的大小,默认是7%