解密Spark内存管理

来内存里都存的啥?

2.如何管理里面所存的东西?

3.spark用java和scala这样的jvm语言写的，没有像c语言那样显式申请释放内存，如何进行内存的管理的?

4.我们应该如何设置spark关于内存的参数?

一、内存模型

远古大神曾告诉我们这个神秘公式：程序=算法+数据。

1.1 什么是内存模型

内存模型就是告诉我们怎么划分内存、怎么合理利用我们的内存。

首先我们要存什么，根据大神的公式，我们这样来分析：

数据： 就是我们代码操作的数据，比如人的数据(年龄、职位等)或者输入的某个值。这些可在运行时将要计算的部分数据加载到内存。

算法：就是操作数据的逻辑，表现形式就是代码或者编译后的指令。当然它要运行起来，会依赖一部分内存，来储存程序计数器(代码执行到那一句了)、函数调用栈等运行时需要的数据。总而言之就是执行数据操作逻辑所必要的内存。

这下我们就可以把我们需要储存的东西分为数据区和执行区。

二、spark内存模型

2.1 spark为啥快

我们都知道spark之所以比mapreduce计算的快，是因为他是基于内存的，不用每次计算完都写磁盘，再读取出来进行下一次计算，spark直接把内存作为数据的临时储存介质。所以mapreduce就没有强调内存管理，而spark需要管理内存。

2.2 spark管理的内存

系统区：spark运行自身的代码需要一定的空间。

用户区：我们自己写的一些udf之类的代码也需要一定的空间来运行。

存储区：spark的任务就是操作数据，spark为了快可能把数据存内存，而这些数据也需要占用空间。

执行区：spark操作数据的单元是partition，spark在执行一些shuffle、join、sort、aggregation之类的操作，需要把partition加载一层一层的解释：

第1层：整个excutor所用到的内存

第2层：分为jvm中的内存和jvm外的内存，这里的jvm内存在yarn的时候就是指申请的container的内存

第3层：对于spark来内存分为jvm堆内的和memoryoverhead、off-heap

jvm堆内的下一层再说

memoryOverhead： 对应的参数就是spark.yarn.executor.memoryOverhead 这块内存是用于虚拟机的开销、内部的字符串、还有一些本地开销(比如python需要用到的内存)等。其实就是额外的内存，spark并不会对这块内存进行管理。

off-heap : 这里特指的spark.memory.offHeap.size这个参数指定的内存(广义上是指所有堆外的)。这部分内存的申请和释放是直接进行的不通过jvm管控所以没有GC，被spark分为storage和excution两部分和第5层讲的一同被spark统一进行管理。

第4层：jvm堆内的内存分为三个部分

reservedMemory： 预留内存300M，用于保障spark正常运行

other memory： 用于spark内部的一些元数据、用户的数据结构、防止出现对内存估计不足导致oom时的内存缓冲、占用空间比较大的记录做缓冲

memory faction： spark主要控制的内存，由参数spark.memory.fraction控制。

第5层：分成storage和execution 由参数spark.memory.storageFraction控制它两的大小，但是

execution： 用于spark的计算：shuffle、sort、aggregation等这些计算时会用到的内存，如果计算是内存不足会向storage部分借，如果还是不够就会

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!