最近在调试sparkStreaming程序的时候，遇到一个问题：
我设置的sparkStreaming的相关参数如下：
spark.executor.instances： 56
spark.executor.memory ：2G
spark.driver.memory：5G
按照这部分参数，计算出来申请的内存大小应该是：
56 * 2G + 5G = 117G
但是任务提交之后，从yarn的资源管理界面看到申请的内存大小为：
235520M = 230G
几乎是理论值的两倍

 

 

十分困惑这个值是怎么算出来的，经过一番调研，现将这个spark on yarn内存的计算方式进行梳理，如下：

一、yarn和spark的一些概念
1、spark任务会根据自己的executors的个数向yarn申请对应个数的container来跑任务，每个executor相当于一个JVM进程。
2、除了跑任务的container，yarn会额外给每一个spark任务分配一个container用来跑ApplicationMaster进程，整个进程用来调控spark任务。对于spark任务，ApplicationMaster内存大小由上面的spark.driver.memory控制

二、spark on yarn内存申请
1、yarn两个默认内存参数
yarn.scheduler.minimum-allocation-mb 每个container的最小内存值
yarn.scheduler.maximum-allocation-mb 每个container的最大内存值
也就是说，
a、如果你设置的spark.executor.memory参数值比yarn.scheduler.minimum-allocation-mb小，那yarn生成的container内存大小会默认会使用yarn.scheduler.minimum-allocation-mb的值。
b、如果你设置的spark.executor.memory参数值比yarn.scheduler.maximum-allocation-mb大，那yarn生成的container内存大小默认会使用yarn.scheduler.maximum-allocation-mb的值。
c、还有个隐藏的条件，yarn生成的container内存大小必须是yarn.scheduler.minimum-allocation-mb值的整数倍

2、spark
spark on yarn有一个memoryOverhead的概念，是为了防止内存溢出额外设置的一个值，可以用spark.yarn.executor.memoryOverhead参数手动设置，如果没有设置，默认memoryOverhead的大小由以下公式计算：
memoryOverhead = max(spark.executor.memory * 0.07,384)

// Executor memory in MB.
protected val executorMemory = args.executorMemory
// Additional memory overhead.
protected val memoryOverhead: Int = sparkConf.getInt(“spark.yarn.executor.memoryOverhead”,
math.max((MEMORY_OVERHEAD_FACTOR * executorMemory).toInt, MEMORY_OVERHEAD_MIN))
// Number of cores per executor.
protected val executorCores = args.executorCores
// Resource capability requested for each executors
private val resource = Resource.newInstance(executorMemory + memoryOverhead, executorCores)
 
3、yarn对spark任务内存的申请计算方式
现在我们看看上面的235520M = 230G是怎么计算出来的
前提：我们线上yarn的yarn.scheduler.minimum-allocation-mb设置的是2G
再把spark的参数列一下：
spark.executor.instances： 56
spark.executor.memory ：2G
spark.driver.memory：5G
a、executer使用的内存计算
memoryOverhead = max(spark.executor.memory * 0.07,384)
= max(2 * 1024 * 0.07,384) = 384M
则一个executor实际要使用的内存大小为：
totalMemory = spark.executor.memory + memoryOverhead
= 2 * 1024 + 384 = 2432M
又因为yarn.scheduler.minimum-allocation-mb = 2G = 2048M
又由yarn的container内存大小的性质可知，container内存大小必须是yarn.scheduler.minimum-allocation-mb的整数倍，我们现在需要的内存大小是 2432M，而yarn.scheduler.minimum-allocation-mb是2048M，那么比2432M大且是2048M整数倍的最小值是4096M=4G，所以实际上yarn为spark申请的每个container的内存大小并不是我们设置的2G，而是4G
这样，我们有56个executor，也就是会申请56个container，则消耗的总内存是 56 * 4G = 224G

b、driver的内存计算
计算方式和上面一样：
memoryOverhead = max(spark.driver.memory * 0.07,384)
= max(5 * 1024 * 0.07,384) = 384M
则driver实际要使用的内存大小为：
totalMemory = spark.driver.memory + memoryOverhead
= 5 * 1024 + 384 = 5504M
同理，比5504M大且是2048M的整数倍的最小值是6144M=6G
故driver实际申请的内存大小是6G

所以整个spark任务最终申请的总内存大小为 224G + 6G = 230G

————————————————
版权声明：本文为CSDN博主「冰血_ang」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/chenzhiang1/article/details/102488609/