Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Konfigurasi Spark
Anda dapat mengonfigurasi Spark di Amazon EMR
klasifikasi konfigurasi untuk Spark di Amazon EMR meliputi berikut ini:
-
spark— MenetapkanmaximizeResourceAllocationproperti ke benar atau salah. Bila benar, Amazon EMR secara otomatis mengkonfigurasispark-defaultsproperti yang didasarkan pada konfigurasi perangkat keras cluster. Untuk informasi selengkapnya, lihat Menggunakan maximizeResourceAllocation. -
spark-defaults— Menetapkan nilai dalamspark-defaults.conffile. Untuk informasi lebih lanjut, lihat Konfigurasi percikandalam dokumentasi Spark. -
spark-env— Menetapkan nilai dalamspark-env.shfile. Untuk informasi lebih lanjut, lihat Variabel lingkungandalam dokumentasi Spark. -
spark-hive-site— Menetapkan nilai dalamhive-site.xmluntuk Spark. -
spark-log4j— (Amazon EMR merilis 6.7.x dan lebih rendah) Menetapkan nilai dalam file.log4j.propertiesUntuk informasi lebih lanjut, lihat file log4j.properties.templatedi Github. -
spark-log4j2— (Amazon EMR merilis 6.8.0 dan lebih tinggi) Menetapkan nilai dalam file.log4j2.propertiesUntuk informasi lebih lanjut, lihat file log4j2.properties.templatedi Github. -
spark-metrics— Menetapkan nilai dalammetrics.propertiesfile. Untuk pengaturan dan informasi selengkapnya, lihat file metrics.properties.templatedi Github, dan Metrik dalam dokumentasi Spark.
catatan
Jika Anda memigrasikan beban kerja Spark ke Amazon EMR dari platform lain, kami sarankan Anda menguji beban kerja Anda dengan sebelum menambahkan konfigurasi khusus. Default Spark ditetapkan oleh Amazon EMR Sebagian besar pelanggan melihat peningkatan kinerja dengan pengaturan default kami.
Topik
Default Spark ditetapkan oleh Amazon EMR
Tabel berikut menunjukkan bagaimana Amazon EMR menetapkan nilai default di spark-defaults yang mempengaruhi aplikasi.
| Pengaturan | Deskripsi | Nilai default |
|---|---|---|
spark.executor.memory |
Jumlah memori yang digunakan per proses pelaksana. Misalnya: |
Pengaturan ini ditentukan oleh jenis instance inti dan tugas di cluster. |
spark.executor.cores |
Bilangan teras untuk digunakan pada setiap pelaksana. |
Pengaturan ini ditentukan oleh jenis instance inti dan tugas di cluster. |
spark.dynamicAllocation.enabled |
Jika benar, gunakan alokasi sumber daya dinamis untuk menskalakan jumlah pelaksana yang terdaftar dengan aplikasi naik dan turun berdasarkan beban kerja. |
catatanLayanan shuffle percikan secara otomatis dikonfigurasi oleh Amazon EMR. |
spark.sql.hive.advancedPartitionPredicatePushdown.enabled |
Ketika benar, predikat partisi lanjutan pushdown ke Hive metastore diaktifkan. |
true |
spark.sql.hive.stringLikePartitionPredicatePushdown.enabled |
Mendorong ke bawah catatanGlue tidak mendukung predikat push down untuk |
true |
Mengkonfigurasi pengumpulan sampah Spark di Amazon EMR 6.1.0
Menetapkan konfigurasi pengumpulan sampah kustom dengan spark.driver.extraJavaOptions dan spark.executor.extraJavaOptions hasil dalam driver atau pelaksana peluncuran kegagalan dengan Amazon EMR 6.1 karena konflik konfigurasi pengumpulan sampah dengan Amazon EMR 6.1.0. Untuk Amazon EMR 6.1.0, konfigurasi pengumpulan sampah default diatur melalui dan. spark.driver.defaultJavaOptions spark.executor.defaultJavaOptions Konfigurasi ini hanya berlaku untuk Amazon EMR 6.1.0. Pilihan JVM tidak berhubungan dengan pengumpulan sampah, seperti yang untuk mengkonfigurasi pencatatan (-verbose:class), masih dapat diatur melaluiextraJavaOptions. Untuk informasi lebih lanjut, lihat sifat aplikasi Spark.
Menggunakan maximizeResourceAllocation
Untuk mengkonfigurasi pelaksana Anda untuk menggunakan sumber daya maksimum yang mungkin pada setiap node dalam sebuah cluster, mengatur maximizeResourceAllocation ke true di spark klasifikasi konfigurasi. Parameter maximizeResourceAllocation adalah khusus untuk Amazon EMR. Saat Anda mengaktifkanmaximizeResourceAllocation, Amazon EMR menghitung sumber daya komputasi dan memori maksimum yang tersedia untuk eksekutor pada instance dalam grup instans inti. Ini kemudian menetapkan sesuai spark-defaults tetapan berdasarkan nilai maksimum yang dikira.
Amazon EMR menghitung sumber daya komputasi dan memori maksimum yang tersedia untuk eksekutor berdasarkan jenis instans dari armada instans inti. Karena setiap armada instans dapat memiliki tipe dan ukuran instans yang berbeda dalam armada, konfigurasi pelaksana yang digunakan Amazon EMR mungkin bukan yang terbaik untuk klaster Anda, jadi kami tidak menyarankan menggunakan pengaturan default saat menggunakan alokasi sumber daya maksimum. Konfigurasikan pengaturan khusus untuk cluster armada instans Anda.
catatan
Anda tidak boleh menggunakan maximizeResourceAllocation opsi pada cluster dengan aplikasi terdistribusi lainnya seperti HBase. Amazon EMR menggunakan konfigurasi BEARN khusus untuk aplikasi terdistribusi, yang dapat bertentangan dengan maximizeResourceAllocation dan menyebabkan aplikasi Spark gagal.
Berikut ini adalah contoh klasifikasi konfigurasi Spark dengan maximizeResourceAllocation set ketrue.
[
{
"Classification": "spark",
"Properties": {
"maximizeResourceAllocation": "true"
}
}
]| Pengaturan | Deskripsi | Nilai |
|---|---|---|
| spark.default.paralelisme | Jumlah partisi default yang RDDs dikembalikan oleh transformasi seperti bergabung, reduceByKey, dan paralel saat tidak disetel oleh pengguna. |
2X jumlah core CPU yang tersedia untuk kontainer BEARN. |
| spark.driver.memory | Jumlah memori yang digunakan untuk proses driver, yaitu di mana SparkContext diinisialisasi. (misalnya, 1g, 2g). |
Pengaturan dikonfigurasi berdasarkan jenis contoh dalam gugus. Namun, karena aplikasi driver Spark dapat berjalan pada instance utama atau salah satu instance inti (misalnya, masing-masing dalam mode klien dan cluster YARN), ini diatur berdasarkan tipe instance yang lebih kecil dalam dua grup instance ini. |
| spark.executor.memory | Jumlah memori untuk digunakan per proses pelaksana. (misalnya, 1g, 2g) |
Pengaturan dikonfigurasi berdasarkan inti dan tugas jenis contoh di cluster. |
| spark.executor.cores | Bilangan teras untuk digunakan pada setiap pelaksana. | Pengaturan dikonfigurasi berdasarkan inti dan tugas jenis contoh di cluster. |
| spark.executor.instances | Jumlah pelaksana. |
Pengaturan dikonfigurasi berdasarkan inti dan tugas jenis contoh di cluster. Set kecuali |
Mengkonfigurasi perilaku dekomisioning node
Dengan Amazon EMR rilis 5.9.0 dan yang lebih tinggi, Spark di Amazon EMR menyertakan serangkaian fitur untuk membantu memastikan bahwa Spark menangani penghentian node dengan anggun karena pengubahan ukuran manual atau permintaan kebijakan penskalaan otomatis. Amazon EMR mengimplementasikan mekanisme daftar penolakan di Spark yang dibangun di atas mekanisme penonaktifan YARN. Mekanisme ini membantu memastikan bahwa tidak ada tugas baru dijadwalkan pada node yang menonaktifkan, sementara pada saat yang sama memungkinkan tugas-tugas yang sudah berjalan untuk menyelesaikan. Selain itu, ada fitur untuk membantu memulihkan pekerjaan Spark lebih cepat jika blok shuffle hilang ketika node berakhir. Proses recomputation dipicu cepat dan dioptimalkan untuk recompute lebih cepat dengan lebih sedikit tahap retries, dan pekerjaan dapat dicegah dari gagal karena mengambil kegagalan yang disebabkan oleh hilang mengoyak blok.
penting
spark.decommissioning.timeout.thresholdSetelan ditambahkan di Amazon EMR rilis 5.11.0 untuk meningkatkan ketahanan Spark saat Anda menggunakan instans Spot. Dalam rilis sebelumnya, ketika sebuah node menggunakan instance Spot, dan instance dihentikan karena harga bid, Spark mungkin tidak dapat menangani penghentian dengan anggun. Pekerjaan mungkin gagal, dan shuffle recomputations bisa mengambil sejumlah besar waktu. Untuk alasan ini, sebaiknya gunakan rilis 5.11.0 atau yang lebih baru jika Anda menggunakan instance Spot.
| Pengaturan | Deskripsi | Nilai default |
|---|---|---|
|
|
Saat disetel ke |
|
|
|
Jumlah waktu node dalam |
|
|
|
Tersedia di Amazon EMR rilis 5.11.0 atau yang lebih baru. Ditentukan dalam detik. Ketika node bertransisi ke status dekomisioning, jika host akan dinonaktifkan dalam periode waktu yang sama dengan atau kurang dari nilai ini, Amazon EMR tidak hanya menolak daftar node, tetapi juga membersihkan status host (seperti yang ditentukan oleh |
|
|
|
Ketika diatur ke |
|
|
|
Ketika diatur ke |
true |
Variabel ThriftServer lingkungan percikan
Spark menetapkan variabel lingkungan Hive Thrift Server Port, HIVE_SERVER2_THRIFT_PORT, untuk 10001.
Mengubah pengaturan default Spark
Anda mengubah default di spark-defaults.conf menggunakan spark-defaults konfigurasi klasifikasi atau maximizeResourceAllocation pengaturan spark klasifikasi konfigurasi.
Prosedur berikut menunjukkan cara mengubah pengaturan menggunakan CLI atau konsol.
Untuk membuat cluster dengan spark.executor.memory diatur ke 2g menggunakan CLI
-
Buat kluster dengan Spark yang terinstal dan tetapkan
spark.executor.memoryke 2g, menggunakan perintah berikut, yang merujuk suatu file,myConfig.jsondisimpan di Amazon S3.aws emr create-cluster --release-labelemr-7.8.0--applications Name=Spark \ --instance-type m5.xlarge --instance-count 2 --service-role EMR_DefaultRole_V2 --ec2-attributes InstanceProfile=EMR_EC2_DefaultRole --configurations https://s3.amazonaws.com/amzn-s3-demo-bucket/myfolder/myConfig.jsoncatatan
Karakter kelanjutan baris Linux (\) disertakan untuk memudahkan pembacaan. Karakter ini bisa dihapus atau digunakan dalam perintah Linux. Untuk Windows, hapus atau ganti dengan tanda sisipan (^).
myConfig.json:[ { "Classification": "spark-defaults", "Properties": { "spark.executor.memory": "2G" } } ]
Untuk membuat cluster dengan spark.executor.memory diatur ke 2g menggunakan konsol
Arahkan ke konsol EMR Amazon baru dan pilih Beralih ke konsol lama dari navigasi samping. Untuk informasi selengkapnya tentang apa yang diharapkan saat beralih ke konsol lama, lihat Menggunakan konsol lama.
-
Pilih Buat Kluster, Buka opsi tingkat lanjut.
-
Pilih Spark.
-
Di bawah Mengedit setelan perangkat lunak, meninggalkan Masukkan konfigurasi dipilih dan masukkan konfigurasi berikut:
classification=spark-defaults,properties=[spark.executor.memory=2G] -
Pilih opsi lain, pilih lalu pilih Buat gugus.
Untuk mengatur maximizeResourceAllocation
-
Buat cluster dengan Spark diinstal dan
maximizeResourceAllocationatur ke true menggunakan AWS CLI, referensi filemyConfig.json, disimpan di Amazon S3.aws emr create-cluster --release-labelemr-7.8.0--applications Name=Spark \ --instance-type m5.xlarge --instance-count 2 --service-role EMR_DefaultRole_V2 --ec2-attributes InstanceProfile=EMR_EC2_DefaultRole --configurations https://s3.amazonaws.com/amzn-s3-demo-bucket/myfolder/myConfig.jsoncatatan
Karakter lanjutan baris Linux (\) disertakan agar mudah dibaca Karakter ini bisa dihapus atau digunakan dalam perintah Linux. Untuk Windows, hapus atau ganti dengan tanda sisipan (^).
myConfig.json:[ { "Classification": "spark", "Properties": { "maximizeResourceAllocation": "true" } } ]
catatan
Dengan Amazon EMR versi 5.21.0 dan yang lebih baru, Anda dapat mengganti konfigurasi klaster dan menentukan klasifikasi konfigurasi tambahan untuk setiap grup instans dalam klaster berjalan. Anda melakukannya dengan menggunakan konsol EMR Amazon, AWS Command Line Interface (AWS CLI), atau SDK AWS . Untuk informasi selengkapnya, lihat Menyediakan Konfigurasi untuk Grup Instans dalam Klaster Berjalan.
Migrasi dari Apache Log4j 1.x ke Log4j 2.x
Apache Sparklog4j.properties Apache Spark merilis 3.3.0 dan kemudian menggunakan Apache Log4j 2.x dan log4j2.properties file untuk mengkonfigurasi Log4j dalam proses Spark.
Jika Anda telah mengonfigurasi Apache Spark Log4j menggunakan rilis EMR Amazon yang lebih rendah dari 6.8.0, maka Anda harus menghapus klasifikasi spark-log4j konfigurasi lama dan bermigrasi ke klasifikasi spark-log4j2 konfigurasi dan format kunci sebelum Anda dapat meningkatkan ke Amazon EMR 6.8.0 atau yang lebih baru. spark-log4jKlasifikasi lama menyebabkan pembuatan klaster gagal dengan ValidationException kesalahan di Amazon EMR rilis 6.8.0 dan yang lebih baru. Anda tidak akan dikenakan biaya atas kegagalan yang terkait dengan ketidakcocokan Log4j, tetapi Anda harus menghapus klasifikasi konfigurasi yang tidak berfungsi spark-log4j untuk melanjutkan.
Untuk informasi selengkapnya tentang migrasi dari Apache Log4j 1.x ke Log4j 2.x, lihat Panduan Migrasi Apache Log4j dan Template Spark Log4j
catatan
Dengan Amazon EMR, Apache Spark menggunakan log4j2.properties file daripada file.xml. dijelaskan dalam Panduan Migrasi Apache Log4j.
