在使用spark時，根據集群資源情況和任務數據量等，合理設置參數，包括但不限于以下：

參數	說明
master	yarn? E-MapReduce 使用 Yarn 的模式
	yarn-client：等同于 –-master yarn —deploy-mode client， 此時不需要指定deploy-mode。?
	yarn-cluster：等同于 –-master yarn —deploy-mode cluster， 此時不需要指定deploy-mode。
class	作業的主類
deploy-mode	client 模式表示作業的 AM 會放在 Master 節點上運行。要注意的是，如果設置這個參數，那么需要同時指定上面 master 為 yarn。
	cluster 模式表示 AM 會隨機的在 worker 節點中的任意一臺上啟動運行。要注意的是，如果設置這個參數，那么需要同時指定上面 master 為yarn。
executor-cores	每個executor使用的內核數,默認為1
num-executors	啟動executor的數量,默認為2
executor-memory	executor的內存大小,默認為1G
driver-cores	driver使用的內核數,默認為1
driver-memory	driver的內存大小,默認為1G
queue	指定了放在哪個隊列里執行
spark.default.parallelism	該參數用于設置每個stage的默認task數量。這個參數極為重要，如果不設置可能會直接影響你的Spark作業性能，Spark官網建議的設置原則是，設置該參數為num-executors * executor-cores的2~3倍較為合適
spark.storage.memoryFraction? ?	該參數用于設置RDD持久化數據在Executor內存中能占的比例，默認是0.6。也就是說，默認Executor 60%的內存，可以用來保存持久化的RDD數據。根據你選擇的不同的持久化策略，如果內存不夠時，可能數據就不會持久化，或者數據會寫入磁盤。
spark.shuffle.memoryFraction	?該參數用于設置shuffle過程中一個task拉取到上個stage的task的輸出后，如果發現使用的內存超出了這個20%的限制，那么多余的數據就會溢寫到磁盤文件中去，如果發現使用的內存超出了這個20%的限制，那么多余的數據就會溢寫到磁盤文件中去，此時就會極大地降低性能。
total-executor-cores	所有executor的總核數

?

(1)executor_cores*num_executors?
?????表示的是能夠并行執行Task的數目不宜太小或太大！一般不超過總隊列 cores 的 25%，比如隊列總 cores ???400，最大不要超過100，最小不建議低于40，除非日志量很小。

(2)executor_cores?
?????不宜為1！否則 work 進程中線程數過少，一般 2~4 為宜。

(3)executor_memory?
?????一般 6~10g 為宜，最大不超過20G，否則會導致GC代價過高，或資源浪費嚴重。

(4)driver-memory?
?????driver 不做任何計算和存儲，只是下發任務與yarn資源管理器和task交互，除非你是 spark-shell，否則一般 1-2g
? ? ?
(5)如果需要對RDD進行cache，那么更多的內存，就可以緩存更多的數據，將更少的數據寫入磁盤，甚至不寫入磁盤。減少了磁盤IO。

(6)對于shuffle操作，reduce端，會需要內存來存放拉取的數據并進行聚合。如果內存不夠，也會寫入磁盤。
?????如果給executor分配更多內存以后，就有更少的數據，需要寫入磁盤，甚至不需要寫入磁盤。減少了磁盤IO，提升了性能。

(7)對于task的執行,可能會創建很多對象.如果內存比較小,可能會頻繁導致JVM堆內存滿了,然后頻繁GC,垃圾回收 ,minor GC和full GC.（速度很慢）.內存加大以后，帶來更少的GC，垃圾回收，避免了速度變慢，性能提升。
?

?

總結

以上是生活随笔為你收集整理的spark-submit 参数设置的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。