spark submit参数介绍 你可以通过spark-submit –help或者spark-shell –help来查看这些参数。 使用格式:  ./bin/spark-submit \   –class <main-class> \   –master <master-url> \   –deploy-mode <deploy-mode> \   –conf <key>=<value> \   … # other options   <application-jar> \   [application-arguments] 参数名
格式
参数说明 –master
MASTER_URL
如spark://host:port, mesos://host:port, yarn,  yarn-cluster,yarn-client, local –deploy-mode
DEPLOY_MODE
Client或者master，默认是client –class
CLASS_NAME
应用程序的主类 –name
NAME
应用程序的名称 –jars
JARS
逗号分隔的本地jar包，包含在driver和executor的classpath下 –packages
包含在driver和executor的classpath下的jar包逗号分隔的”groupId:artifactId：version”列表 –exclude-packages
用逗号分隔的”groupId:artifactId”列表 –repositories
逗号分隔的远程仓库 –py-files
PY_FILES
逗号分隔的”.zip”,”.egg”或者“.py”文件，这些文件放在python app的PYTHONPATH下面 –files
FILES
逗号分隔的文件，这些文件放在每个executor的工作目录下面 –conf
PROP=VALUE
固定的spark配置属性，默认是conf/spark-defaults.conf –properties-file
FILE
加载额外属性的文件 –driver-memory
MEM
Driver内存，默认1G –driver-java-options
传给driver的额外的Java选项 –driver-library-path
传给driver的额外的库路径 –driver-class-path
传给driver的额外的类路径 –executor-memory
MEM
每个executor的内存，默认是1G –proxy-user
NAME
模拟提交应用程序的用户 –driver-cores
NUM
Driver的核数，默认是1。这个参数仅仅在standalone集群deploy模式下使用 –supervise
Driver失败时，重启driver。在mesos或者standalone下使用 –verbose
打印debug信息 –total-executor-cores
NUM
所有executor总共的核数。仅仅在mesos或者standalone下使用 –executor-core
NUM
每个executor的核数。在yarn或者standalone下使用 –driver-cores
NUM
Driver的核数，默认是1。在yarn集群模式下使用 –queue
QUEUE_NAME
队列名称。在yarn下使用 –num-executors
NUM
启动的executor数量。默认为2。在yarn下使用 试例： # Run application locally on 8 cores(本地模式8核) ./bin/spark-submit \   –class org.apache.spark.examples.SparkPi \   –master local[8] \   /path/to/examples.jar \   100 # Run on a Spark standalone cluster in client deploy mode(standalone client模式) ./bin/spark-submit \   –class org.apache.spark.examples.SparkPi \   –master spark://207.184.161.138:7077 \   –executor-memory 20G \   –total-executor-cores 100 \   /path/to/examples.jar \   1000 # Run on a Spark standalone cluster in cluster deploy mode with supervise(standalone cluster模式使用supervise) ./bin/spark-submit \   –class org.apache.spark.examples.SparkPi \   –master spark://207.184.161.138:7077 \   –deploy-mode cluster \   –supervise \   –executor-memory 20G \   –total-executor-cores 100 \   /path/to/examples.jar \   1000 # Run on a YARN cluster(YARN cluster模式) export HADOOP_CONF_DIR=XXX ./bin/spark-submit \   –class org.apache.spark.examples.SparkPi \   –master yarn \   –deploy-mode cluster \  # can be client for client mode   –executor-memory 20G \   –num-executors 50 \   /path/to/examples.jar \   1000 # Run on a Mesos cluster in cluster deploy mode with supervise(Mesos cluster模式使用supervise) ./bin/spark-submit \   –class org.apache.spark.examples.SparkPi \   –master mesos://207.184.161.138:7077 \   –deploy-mode cluster \   –supervise \   –executor-memory 20G \   –total-executor-cores 100 \   http://path/to/examples.jar \   1000 在公司使用最多的是spark on yarn模式，下面主要讲spark on yarn 资源参数调优 所谓的Spark资源参数调优，其实主要就是对Spark运行过程中各个使用资源的地方，通过调节各种参数，来优化资源使用的效率，从而提升Spark作业的执行性能。 以下参数就是Spark中主要的资源参数，每个参数都对应着作业运行原理中的某个部分，我们同时也给出了一个调优的参考值。 num-executors 参数说明：
该参数用于设置Spark作业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照你的设置来在
集群的各个工作节点上，启动相应数量的Executor进程。这个参数非常之重要，如果不设置的话，默认只会给你启动少量的Executor进程，此时你的
Spark作业的运行速度是非常慢的。 参数调优建议：
每个Spark作业的运行一般设置50~100个左右的Executor进程比较合适，设置太少或太多的Executor进程都不好。设置的太少，无法充分利用集群资源；
设置的太多的话，大部分队列可能无法给予充分的资源。 executor-memory 参数说明：
该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关联。 参数调优建议：
每个Executor进程的内存设置4G~8G较为合适。但是这只是一个参考值，具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列
的最大内存限制是多少，num-executors乘以executor-memory，是不能超过队列的最大内存量的。此外，如果你是跟团队里其他人共享这个资源队列，
那么申请的内存量最好不要超过资源队列最大总内存的1/3~1/2，避免你自己的Spark作业占用了队列所有的资源，导致别的同学的作业无法运行。 executor-cores 参数说明：
该参数用于设置每个Executor进程的CPU core数量。这个参数决定了每个Executor进程并行执行task线程的能力。因为每个CPU core同一时间只能执行一个
task线程，因此每个Executor进程的CPU core数量越多，越能够快速地执行完分配给自己的所有task线程。 参数调优建议：
Executor的CPU core数量设置为2~4个较为合适。同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core限制是多少，再依据设置的
Executor数量，来决定每个Executor进程可以分配到几个CPU core。同样建议，如果是跟他人共享这个队列，那么num-executors * executor-cores不要超过
队列总CPU core的1/3~1/2左右比较合适，也是避免影响其他同学的作业运行。 driver-memory 参数说明：
该参数用于设置Driver进程的内存。 参数调优建议：
Driver的内存通常来说不设置，或者设置1G左右应该就够了。唯一需要注意的一点是，如果需要使用collect算子将RDD的数据全部拉取到Driver上进行处理，
那么必须确保Driver的内存足够大，否则会出现OOM内存溢出的问题。 spark.default.parallelism 参数说明：
该参数用于设置每个stage的默认task数量。这个参数极为重要，如果不设置可能会直接影响你的Spark作业性能。 参数调优建议：
Spark作业的默认task数量为500~1000个较为合适。很多同学常犯的一个错误就是不去设置这个参数，那么此时就会导致Spark自己根据底层HDFS的block数量
来设置task的数量，默认是一个HDFS block对应一个task。通常来说，Spark默认设置的数量是偏少的（比如就几十个task），如果task数量偏少的话，就会
导致你前面设置好的Executor的参数都前功尽弃。试想一下，无论你的Executor进程有多少个，内存和CPU有多大，但是task只有1个或者10个，那么90%的
Executor进程可能根本就没有task执行，也就是白白浪费了资源！因此Spark官网建议的设置原则是，设置该参数为num-executors * executor-cores的2~3倍
较为合适，比如Executor的总CPU core数量为300个，那么设置1000个task是可以的，此时可以充分地利用Spark集群的资源。 spark.storage.memoryFraction 参数说明：
该参数用于设置RDD持久化数据在Executor内存中能占的比例，默认是0.6。也就是说，默认Executor 60%的内存，可以用来保存持久化的RDD数据。根据你选择
的不同的持久化策略，如果内存不够时，可能数据就不会持久化，或者数据会写入磁盘。 参数调优建议：
如果Spark作业中，有较多的RDD持久化操作，该参数的值可以适当提高一些，保证持久化的数据能够容纳在内存中。避免内存不够缓存所有的数据，导致数据只
能写入磁盘中，降低了性能。但是如果Spark作业中的shuffle类操作比较多，而持久化操作比较少，那么这个参数的值适当降低一些比较合适。此外，如果发现
作业由于频繁的gc导致运行缓慢（通过spark web ui可以观察到作业的gc耗时），意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。 spark.shuffle.memoryFraction 参数说明：
该参数用于设置shuffle过程中一个task拉取到上个stage的task的输出后，进行聚合操作时能够使用的Executor内存的比例，默认是0.2。也就是说，Executor
默认只有20%的内存用来进行该操作。shuffle操作在进行聚合时，如果发现使用的内存超出了这个20%的限制，那么多余的数据就会溢写到磁盘文件中去，此时
就会极大地降低性能。 参数调优建议：
如果Spark作业中的RDD持久化操作较少，shuffle操作较多时，建议降低持久化操作的内存占比，提高shuffle操作的内存占比比例，避免shuffle过程中数据过多
时内存不够用，必须溢写到磁盘上，降低了性能。此外，如果发现作业由于频繁的gc导致运行缓慢，意味着task执行用户代码的内存不够用，那么同样建议调低
这个参数的值。 资源参数的调优，没有一个固定的值，需要根据自己的实际情况（包括Spark作业中的shuffle操作数量、RDD持久化操作数量以及spark web ui中显示的作业gc情况）， 合理地设置上述参数。 资源参数参考示例 以下是一份spark-submit命令的示例，大家可以参考一下，并根据自己的实际情况进行调节： ./bin/spark-submit \   –master yarn-cluster \   –num-executors 100 \   –executor-memory 6G \   –executor-cores 4 \   –driver-memory 1G \   –conf spark.default.parallelism=1000 \   –conf spark.storage.memoryFraction=0.5 \   –conf spark.shuffle.memoryFraction=0.3 \