1.在windows中spark的本地模式如何配置
2.Spark on Yarn 为什么出现内存超界container被kill

在windows中spark的本地模式如何配置

       1、在Spark中采用本地模式启动pyspark的命令主要包含以下参数：master：这个参数表示当前的pyspark要连接到哪个master，如果是local[*]，就是代码编辑源码使用本地模式启动pyspark，其中，中括号内的office风格界面源码星号表示需要使用几个CPU核心(core)。

       2、肯定第一步是配置spark环境：包括linux系统的安装，java，ssh，Hadoop，Scala，spark的qgis2.18.9源码安装与环境变量设置。虽说简单，但对于初学者说，尤其是党章知识选粹源码没有使用过linux系统的，还是有些挑战。其中遗漏一些细节问题，都会出错。疯狂加粉源码

       3、SparkonYarn模式备注：Yarn的连接信息在Hadoop客户端的配置文件中指定。通过spark-env.sh中的环境变量HADOOPCONFDIR指定Hadoop配置文件路径。

       4、最后的PhysicalPlanexecution阶段用Spark代替HadoopMapReduce。通过配置Shark参数，Shark可以自动在内存中缓存特定的RDD，实现数据重用，进而加快特定数据集的检索。

Spark on Yarn 为什么出现内存超界container被kill

       ä¸€ä¸ªExecutor对应一个JVM进程。 从Spark的角度看，Executor占用的内存分为两部分： ExecutorMemory 和 MemoryOverhead 。其中， ExecutorMemory 为JVM进程的Java堆区域， MemoryOverhead 为JVM进程中除Java堆以外占用的空间大小，包括方法区（永久代）、Java虚拟机栈、本地方法栈、JVM进程本身所用的内存、堆外内存（Direct Memory）等。

        spark.driver.memory 和 spark.executor.memory 分别设置Spark的Driver和Executor的 ExecutorMemory .

        spark.yarn.executor.memoryOverhead 和 spark.yarn.driver.memoryOverhead 分别设置Spark的Driver和Executor的 MemoryOverhead .

        另外，Spark会大量分配堆外内存，堆外内存默认最大可以和 ExecutorMemory 一样，可以通过javaOptions使用 MaxDirectMemorySize 配置最大值。

        堆外内存最大可以和 ExecutorMemory 一样，但是堆外内存又受 MemoryOverhead 限制，所以当 MaxDirectMemorySize , ExecutorMemory 和 MemoryOverhead 设置不合理时，会出现container内存超限，被Yarn kill的情况。

        比如， ExecutorMemory 为8G， MemoryOverhead 为4G， MaxDirectMemorySize 没有设置，此时yarn认为一个container最大可以使用G内存，但是堆外内存最大可以使用8G，导致container最大可以使用超过G内存(堆内内存+ 堆外内存)，比G大， 最终被Yarn kill掉。

        合理的设置规则为: ExecutorMemory + MemoryOverhead > ExecutorMemory + MaxDirectMemorySize

        所以，Spark应用占用集群内存的总大小为:

        参数调优建议：

        每个Executor进程的内存设置4G~8G较为合适。

        每个Executor的CPU core数量设置为2~4个较为合适。

        以下是部分建议的参数设置: