详解Spark executor

在 Apache Spark 中，Executor（执行器） 是运行在集群工作节点（Worker Node）上的进程，负责执行具体的计算任务并管理数据。它是 Spark 分布式计算的核心组件之一，直接决定了任务的并行度和资源利用率。以下是 Executor 的详细解析：

1. Executor 的核心职责

2. Executor 的内部结构

(1) 线程池（Task Runner Threads）

• 每个 Executor 内部维护一个线程池，线程数由 spark.executor.cores 决定。
• 每个线程处理一个 Task，实现并行计算。
• 示例：若 spark.executor.cores=4，则 Executor 最多同时运行 4 个 Task。

(2) 内存管理

• Executor 的内存分为两部分（通过 spark.memory.fraction 配置比例）：
  • Execution Memory：用于计算（如 Shuffle、Join、Sort 的临时内存）。
  • Storage Memory：用于缓存 RDD 和广播变量。
• 溢出机制：当内存不足时，数据溢写到磁盘（可能影响性能）。

(3) BlockManager

• 管理 Executor 的数据块（Block），包括本地和远程数据。
• 负责与其他 Executor 交换 Shuffle 数据。

3. Executor 的启动与资源分配

(1) 资源申请

• Driver 通过集群管理器（如 YARN、Kubernetes）申请 Executor 资源。
• 关键配置参数：
  • spark.executor.instances：Executor 数量。
  • spark.executor.memory：每个 Executor 的内存（如 4g）。
  • spark.executor.cores：每个 Executor 的 CPU 核心数。

(2) Executor 启动流程

1. Driver 向集群管理器发送资源请求。
2. 集群管理器（如 YARN 的 ResourceManager）分配 Container。
3. 在 Container 中启动 CoarseGrainedExecutorBackend 进程。
4. Executor 向 Driver 注册，准备接收 Task。

4. Executor 与 Task 的执行

(1) Task 分发

• Driver 将 Task 序列化后发送给 Executor。
• Executor 反序列化 Task 代码并执行。

(2) 数据本地性（Locality）

• Executor 优先处理存储在本地的数据（如 HDFS 块），减少网络传输。
• 本地性级别：PROCESS_LOCAL > NODE_LOCAL > RACK_LOCAL > ANY。

(3) Shuffle 过程

• Map 阶段：Executor 将 Shuffle 数据写入本地磁盘（或内存）。
• Reduce 阶段：Executor 从其他节点拉取 Shuffle 数据。

5. Executor 的容错机制

• Task 失败重试：若某个 Task 失败，Driver 会重新调度该 Task（最多 spark.task.maxFailures 次）。
• Executor 崩溃：
  • Driver 检测到 Executor 失联后，向集群管理器申请新 Executor。
  • 丢失的缓存数据需重新计算（依赖 RDD 血统）。

6. 配置优化与常见问题

(1) 内存配置优化

• 避免 OOM：
  • 增加 spark.executor.memory。
  • 调整 spark.memory.fraction（默认 0.6）和 spark.memory.storageFraction（默认 0.5）。
• 示例配置：

  spark-submit \
    --executor-memory 8g \
    --executor-cores 4 \
    --conf spark.memory.fraction=0.7
  

(2) 并行度与数据倾斜

• 合理分区：确保每个 Task 处理的数据量均衡（通过 repartition 或调整分区数）。
• 处理倾斜：使用 salting 或自定义分区器。

(3) GC 调优

• 启用 G1 垃圾回收器（减少停顿时间）：

  --conf spark.executor.extraJavaOptions="-XX:+UseG1GC"
  

7. Executor 与 Driver 的对比

8. 典型问题与解决方案

(1) Executor 频繁 Full GC

• 现象：任务停滞，日志显示 GC 时间过长。
• 解决：
  • 增加 Executor 内存。
  • 减少缓存数据量，或使用序列化缓存（MEMORY_ONLY_SER）。

(2) Shuffle 数据溢出到磁盘

• 现象：任务变慢，磁盘 I/O 高。
• 解决：
  • 增加 spark.executor.memory。
  • 优化 Shuffle 操作（如减少 groupByKey，改用 reduceByKey）。

(3) Executor 失联

• 现象：Driver 日志显示 ExecutorLostFailure。
• 解决：
  • 检查集群资源是否充足（如 YARN 资源队列）。
  • 增加 spark.network.timeout（默认 120s）。

总结

Executor 是 Spark 分布式计算的执行单元，负责 Task 运行、数据缓存和 Shuffle 处理。合理配置 Executor 的数量、内存和核心数是优化 Spark 应用性能的关键。通过调整资源参数、优化数据本地性和处理倾斜问题，可以显著提升任务的执行效率。