Overhead:Spark内存开销(spark memory overhead)-边看边学

Spark 内存开销相关问题在 SO 中多次询问，我经历了大部分。然而，在经历了多个博客之后，我感到困惑。

下面是我的问题

内存开销是 executor 内存的一部分还是单独的？因为很少有博客说内存开销是 executor 内存的一部分，而其他人则说 executor 内存 + 内存开销（这意味着内存开销不是 executor 内存的一部分）？

内存开销和堆外是一样的？

如果我没有提到开销作为火花提交的一部分，会发生什么，它会采取默认 18.75 或不会？

会有任何副作用，如果我们给更多的内存开销比默认值？

https://docs.qubole.com/en/latest/user-guide/engines/spark/defaults-executors.html https://spoddutur.github.io/spark-notes/distribution_of_executors_cores_and_memory_for_spark_application.html

下面是我想了解的情况。我有 5 个节点，每个节点 16 个 vcore 和 128GB 内存（其中 120 个可用），现在我想提交火花应用程序，下面是 conf，我在想

Total Cores 16 * 5 = 80
Total Memory 120 * 5 = 600GB

情况 1：执行程序内存的内存开销部分

spark.executor.memory=32G
spark.executor.cores=5
spark.executor.instances=14 (1 for AM)
spark.executor.memoryOverhead=8G ( giving more than 18.75% which is default)
spark.driver.memoryOverhead=8G
spark.driver.cores=5

情况 2：内存开销不是执行器内存的一部分

spark.executor.memory=28G
spark.executor.cores=5
spark.executor.instances=14 (1 for AM)
spark.executor.memoryOverhead=6G ( giving more than 18.75% which is default)
spark.driver.memoryOverhead=6G
spark.driver.cores=5

根据下面的视频，我试图使用 85 ％的节点，即大约 100GB 的 120GB，不知道我们是否可以使用更多。

https://www..com/watch?v=ph_2xwVjCGs&list=PLdqfPU6gm4b9bJEb7crUwdkpprPLseCOB&index=8&t=1281s(4:12)

要回答您的问题内存开销是执行器内存的一部分还是单独的？内存开销不是执行器内存的一部分。

资源管理器启动容器以便在其中执行执行程序。所以基本上执行器内存 + 内存开销 = 容器内存.....火花已经将执行器内存分解为应用程序内存和缓存内存。

executor 内存开销主要包括堆外内存和 nio buffer 以及运行容器特定线程 (线程栈) 的内存,当您不指定内存开销时,Resource manager 会使用默认值计算内存开销值,并相应地启动容器。

始终建议为 OS 留出内核和内存（对于 nodemanager 为 1 个内核，对于其他守护进程为 1 个内核，对于 OS 为 2 个内核以最佳方式工作）

你可以改变你的计算像下面提到的 12 * 5 = 60 核和总内存 116 * 5 = 580GB 是什么总资源可用..然后你相应地调整其他参数。

本站系公益性非盈利分享网址，本文来自用户投稿，不代表边看边学立场，如若转载，请注明出处