好久没更新了，。。。太懒了。
在跑Spark-On-Yarn程序的时候，往往会对几个参数（num-executors，executor-cores，executor-memory等）理解很模糊，从而凭感觉地去指定值，这是不符合有追求程序员信仰的。因此，搞懂它们，很有必要。
本文翻译自https://spoddutur.github.io/spark-notes/distribution_of_executors_cores_and_memory_for_spark_application.html。
译文如下：
是否曾经想要知道如何根据你的集群，配置这些Spark运行参数：--num-executors, --executor-memory and --execuor-cores 呢？
探究思路
- 理论引导：首先，有必要了解一些重要建议，能帮助我们更好地理解它；
- 实战：其次，以一个集群为例，推演出该集群的参数的推荐值。
理论引导
当配置参数时，请遵循下表，将其推荐建议牢记于心
- Hadoop/Yarn/OS 守护进程：
当利用一个集群管理器（比如YARN）运行spark程序时，存在一些守护进程运行在后台，比如NameNode，Secondary NameNode，DataNode，JobTracker和TaskTracker。因此，当确定num-executor时，我们需要确保有足够的cores（大约每个节点一个core）维持这些守护进程的平稳运行。 - Yarn ApplicationMaster (AM)：
ApplicationMaster的职责是：向ResourceManager协商资源，与NodeManager一同执行并监控containner及其资源消耗。如果程序运行在Spark-On-Yarn，我们需要预留一些资源给ApplicationMaster，AM大约需要1024MB的内存和一个Executor。 - HDFS吞吐：
HDFS客户端会遇到大量并发线程的问题。 据观察，HDFS当达到全写入吞吐量时，需要每个executor执行约5个任务。 因此，最好控制每个executor中core的数目低于那个数字。 - 内存开销：
下图描绘了spark-yarn的内存使用情况：
[图片上传失败...(image-fa6806-1536392056623)]
图中注意两件事情：
Full memory requested to yarn per executor =
spark-executor-memory + spark.yarn.executor.memoryOverhead
spark.yarn.executor.memoryOverhead =
Max(384MB, 7% of spark.executor-memory)
所以，如果我们申请了每个executor的内存为20G时，对我们而言，AM将实际得到20G+ memoryOverhead = 20 + 7% * 20GB = ～23G内存。
- 执行拥有太多内存的executor会产生过多的垃圾回收延迟
- 执行过小的executor（举例而言，一个只有一核和仅仅足够内存跑一个task的executor），将会丢失在单个JVM中运行多任务的好处。
理论够了...开始实战
现在，我们考虑一个10个节点的如下配置的集群，并分析不同参数设置的结果。
集群配置如下：
**集群配置:**
10个节点
每个节点16核
每个节点64G内存
第一种方案：Tiny executors [每个Executor一个Core]
Tiny executors表示一个executor配置一个core。下表描述了该方案下的参数配置。
- '--num-executors' = '该方案下，每个executor配置一个core'
= '集群中的core的总数'
= '每个节点的core数目 * 集群中的节点数'
= 16 x 10 = 160
- '--executor-cores' = 1 (每个executor一个core)
- '--executor-memory' = '每个executor的内存'
= '每个节点的内存/每个节点的executor数目'
= 64GB/16 = 4GB
分析：当一个executor只有一个core时，正如我们上面分析的，我们可能不能发挥在单个JVM上运行多任务的优势。此外，共享/缓存变量（如广播变量和累加器）将复制到节点的每个core，这里是16次。并且，我们没有为Hadoop / Yarn守护进程留下足够的内存开销，我们也没有计入ApplicationManager。因此，这不是一个好的方案！
第二种方案：Fat executors (每个节点一个Executor)：
Fat executors表示一个executor独占一个节点。下表描述了该方案下的参数配置：
- `--num-executors` = `该方案下，一个executor独占一个节点`
= `集群中的节点的数目`
= 10
- `--executor-cores` = `一个节点一个executor意味着每个executor独占节点中所
有的cores`
= `节点中的core的数目`
= 16
- `--executor-memory` = `每个executor的内存`
= `节点的内存/节点中executor的数目`
= 64GB/1 = 64GB
分析：每个executor独占16个核心，则ApplicationManager和守护程序进程则无法分配到core，并且，HDFS吞吐量会受到影响，导致过多的垃圾结果。 同样地，该方案不好！
第三种方案：Balance between Fat (vs) Tiny
根据上面讨论的建议：
- 基于上述的建议，我们给每个executor分配5个core => -- executor-cores = 5 (保证良好的HDFS吞吐)
- 每个节点留一个core给Hadoop/Yarn守护进程 => 每个节点可用的core的数目 = 16 - 1
- 所以，集群中总共可用的core的数目是 15 * 10 = 150
- 可用的executor的数目 = （总的可用的core的数目 / 每个executor的core的数目）= 150 / 5 = 30
- 留一个executor给ApplicationManager => --num-executors = 29
- 每个节点的executor的数目 = 30 / 10 = 3
- 每个executor的内存 = 64GB / 3 = 21GB
- 计算堆开销 = 7% * 21GB = 3GB。因此，实际的 --executor-memory = 21 - 3 = 18GB
因此，推荐的配置如下：29 executors, 18GB memory each and 5 cores
each ！
分析：很明显，第三种方案在Fat vs Tiny 两种方案中找到了合适的平衡点。毋庸置疑，它实现了Fat executor的并行性和Tiny executor的最佳吞吐量！
结论：
我们看到：
- 当为spark程序配置运行参数的时候，应谨记一些推荐事项：
1.为Yarn的Application Manager预留资源
2.我们应该如何为Hadoop / Yarn / OS deamon进程节省一些cores
3.学习关于spark-yarn-memory-usage - 另外，检查并分析了配置这些参数的三种不同方法：
1.Tiny Executors - 每个executor配置一个core
2.Fat Executors - 每个executor独占一个节点
3.推荐方案 - 基于建议项的Tiny（Vs）Fat的合适的平衡。
--num-executors, --executor-cores and --executor-memory..这三个参数在spark性能中扮演很重要的角色，他们控制这你的spark程序获得的CPU和内存的资源。对于用户来说，很有必要理解如何去配置它们。希望这篇博客对你有帮助。
