Spark on K8S 的最佳实践和需要注意的坑
本文来自 Data Mechanics 的 CEO Jean-Yves Stephan 和 CTO Julien Dumazert 在 Spark Summit North America 2020 的 《Running Apache Spark on Kubernetes: Best Practices and Pitfalls》议题的分享。相关视频参见 视频|在Kubernetes上运行Spark的最佳实践和陷阱,PPT 可以到 你要的 Spark AI Summit 2020 PPT 我已经给你整理好了 获取。
近年来,K8S 在业界越来越流行,由于其有很多优点,很多企业将应用部署到 K8S 中,Spark 从 2.3 版本开始支持使用 K8S 作为资源管理器,参见 https://issues.apache.org/jira/browse/SPARK-18278。本文将介绍在 K8S 上运行 Spark 作业的最佳实践和需要注意的坑。
在 Kubernetes 上运行 Spark 都有哪些经验的调查中显示:
61% 的人表示从来没用过,但是对这个感到好奇;
24% 的人表示只是在测试环境中使用,但是并没有在生产环境中使用;
15% 的人表示已经在生产环境中使用。
本文主要结构包括:Spark on Kubernetes:
核心概念;
配置和性能调优技巧;
监控和安全相关的技巧;
未来工作。
核心概念
Spark 哪个地方需要用到 K8S 呢?K8S 是 Spark 上全新的集群管理和调度系统,其他三个资源管理和调度为 Standalone、YARN 以及 Apache Mesos。
Spark on Kubernetes 的架构如下:
目前有两种方法可以将 Spark 的应用程序提交到 K8S:
•通过 Spark 提供的 spark-summit 提交•这种方式是 Spark 原生提供的;•配置在 Spark config(主要)和 k8s manifests 之间传递;•在 Spark 3.0 之前支持自定义 Little pod;•应用的管理主要是人工维护。•通过 spark-on-k8s operator 提交•Google 开源出来的,但是支持任意平台;•配置通过 k8s 风格的 YAML 文件进行;•提供一些工具用于读取日志、重启、 kill 以及调度 作业;•需要长时间运行的 system pod。
上面显示两种不同作业提交方式的应用管理实践。从上图可以看出,通过 spark-summit 方式提交的作业没有方法查看作业的运行及其参数配置等。而通过 spark-on-k8s operator 方式,可以通过一系列的内置工具,获取很多作业相关的信息。
YARN 和 K8S 两种资源管理方式比较:
YARN 集群中的 Spark 版本、Python 版本以及依赖都是全局配置的,缺乏隔离。(过往记忆大数据备注:YARN 集群上是可以运行不同版本的 Spark 以及 Python,这个我之前有相关文章介绍的。关于依赖其实也有办法进行配置的。) 而 K8S 方式作业之间都是隔离的。
配置和性能调优技巧
下面我们来介绍 Spark on K8S 的配置和性能调优相关技巧。
假设我们有一个 K8S 集群,每个实例配置是 16GB 内存和4核;如果我们选择以下两种中的一种配置我们都将申请不到 executor:
设置 spark.executor.cores=4
设置 spark.executor.memory=11g
是不是觉得很奇怪?
上面设置之所以申请不到 executor,是因为:K8S 实例上的资源只有一部分是可以给 Spark pods 的。我们需要预留一部分资源给 K8S 以及系统守护进程,这部分大概占用 5%。所以我们的节点只能申请到 95% 的资源,在这些资源中 10% 需要给一些守护进程使用,所以整个实例我们只能申请到 95% * 90% = 85% 的资源。
目前 Spark on K8S 还不支持动态资源分配的全部功能。当我们杀掉 pod 时,上面的 shuffle 文件将会被丢失。
与此同时,Spark 3.0 提供了一个 soft dynamic allocation 功能。只有不持有需要的 shuffle 文件的 executor 可以被删掉。相关配置如下:
spark.dynamicAllocation.enabled=true
spark.dynamicAllocation.shuffleTracking.enabled=true
如果无法分配 pending Pods,我们可以将 k8s 配置为自动缩放。自动缩放在动态资源申请的情况下工作非常好:
如果集群有资源,我们可以在10s内获取一个新的 exec pod;
如果集群需要自动缩放,则需要 1-2 分钟。
为了进一步提高动态分配的速度,我们可以过量使用低优先级的 pause pods 来配置集群:
pause pods 强制 k8s 来动态缩放;
在需要时,Spark pods 将抢占 pause pods 的资源。
Spark on K8S 的场景下,数据的读写一般都是经过对象存储的。云厂商一般会为其对象存储提供写优化的 committers,比如 S3A Committers。
如果没有提供的话,建议使用 Spark 自带的 version 2 Hadoop committer,可以通过以下参数配置:
spark.hadoop.mapreduce.fileoutputcommitter.algorithm.version=2
如果你有很多文件需要写时,这个配置可以将性能提升近2倍!
I/O 速度对于 shuffle 很重的工作负载来说至关重要,因为 Spark 会将 shuffle 的数据写到本地文件。但是 Docker 的文件系统非常慢,我们可以通过 Kubernetes Volumes 来提升性能。具体参见 https://spark.apache.org/docs/3.0.0-preview2/running-on-kubernetes.html#using-kubernetes-volumes。
监控和安全相关的技巧
我们可以通过 k8s 提供的工具来兼监控 pod 的资源使用情况。比如 Kubernetes dashboard 或者 GKE 控制台。
已知的问题:上面的监控方法比较难与 Spark jobs/stages/tasks 进行协调;当 Spark 应用程序运行完时,Executor 的监控数据将会丢失。
上面的问题我们可以通过按照 Spark 历史服务器来解决。可以将 Spark 的事件日志存放在 S3/GCS/Azoure 存储文件,并配置 spark.eventLog.dir 参数到相关路径。但是这种方式我们无法获取资源使用相关的 metrics!
Data Mechanics 的 工程师们开发了 Spark Delight,其可以解决上面的问题。关于 Spark Delight 可以参见 https://towardsdatascience.com/spark-delight-were-building-a-better-spark-ui-1b463840e243。
Spark 利用 DropWizard 类库来产生详细的 metrics。我们可以将这些 metrics 存储到时序数据库中:
InfluxDB
Prometheus,这个在 Spark 3.0 中已经内置支持将监控信息写到 Prometheus 中。
K8S 上的安全最佳实践对 Spark on K8S 来说是可以免费使用的!我们可以进行访问控制、密码配置以及网络安全配置等。
未来工作
Spark on K8S 未来工作主要包括:
Shuffle 相关问题的提升;
更友好的处理节点的关闭;
支持上传本地 python 依赖;
Job 队列以及资源管理。
经过上面的介绍,你是否打算使用 K8S 呢?
如果打算使用Spark-on-Kubernetes,上面的事项是需要你做的。关于 Spark on K8S 的更多内容可以参见 https://spark.apache.org/docs/3.0.0/running-on-kubernetes.html。
Spark on K8S 的最佳实践和需要注意的坑相关推荐
- 新手篇 | K8S配置最佳实践
本文档旨在汇总和强调用户指南.快速开始文档和示例中的最佳实践.本文已上传到 kubernetes-handbook 中的第四章最佳实践章节,本文仅作归档,更新以 kubernetes-handbook ...
- k8s 安全策略最佳实践
作者:万宏明,KubeSphere member,负责 KubeSphere 安全和多租户团队 随着 K8s 在生产和测试环境中用的越来越多,对安全性的关注也会越来越多,所以本文主要是给大家分享以下内 ...
- 零信任策略下K8s安全监控最佳实践(K+)
云原生架构新风险与需求概述 安全风险概述 传统的网络安全架构理念是基于边界的安全架构,企业构建网络安全体系时,首先要做的是寻找安全边界,把网络划分为外网.内网等不同的区域,然后在边界上部署防火墙.入侵 ...
- [原] RStudio Spark/Leaflet 与 GIS 最佳实践
近年来,基于 Spark 的大数据并行计算方案日渐成熟,在GIS领域有了很多最佳实践.过去,大多数数据分析师可能都是基于Excel/Hive进行分析工作,但是随着数据分析架构的成熟,基于 RStudi ...
- 降本增效利器!趣头条Spark Remote Shuffle Service最佳实践
王振华,趣头条大数据总监,趣头条大数据负责人 曹佳清,趣头条大数据离线团队高级研发工程师,曾就职于饿了么大数据INF团队负责存储层和计算层组件研发,目前负责趣头条大数据计算层组件Spark的建设 范振 ...
- Spark企业级开发最佳实践
课程介绍 本课程是世界上第一Spark企业级最佳实践课程,课程包含: Spark的架构设计: Spark编程模型: Spark内核框架源码剖析: Spark的广播变量与累加器: Shark的原理和 ...
- 决胜Spark大数据时代企业级最佳实践:Spark CoreSpark SQLGraphXMachine LearningBest Practice
王家林:Spark.Docker.Android技术中国区布道师. 联系邮箱18610086859@126.com 电话:18610086859 QQ:1740415547 微信号:186100868 ...
- 西门子低代码部署亚马逊AWS容器服务最佳实践
1. MX云部署架构 西门子低代码官方文档介绍了如何部署西门子低代码应用到k8s的最佳实践.运行环境包括PostgreSQL数据库实例,或者其他数据库,Mysql.oracle等,本地文件存储系统 ...
- ELK:收集k8s容器日志最佳实践
简介 关于日志收集这个主题,这已经是第三篇了,为什么一再研究这个课题,因为这个课题实在太重要,而当今优秀的开源解决方案还不是很明朗: 就docker微服务化而言,研发有需求标准输出,也有需求文件输出, ...
最新文章
- 细聊 Cocoapods 与 Xcode 工程配置
- 19_05_01校内训练[划分]
- c语言数字的拆解_C语言解决变态推理题
- 4分钟极速甩脂训练!抛开借口!繁忙族必备!
- 对产品质量的一点思考
- 英语口语 week14 Friday
- linux shell if -a 到-z参数含义
- 加投35000瓶原价茅台 天猫双11今晚8点开售
- 将Notepad++配置为Python编译器
- 【CMAKE】指定编译器架构(x86 or x64)
- Session 与 Cookie
- FFmpeg系列(二)-Android项目引入FFmpeg库播放视频
- python2最新版本_Python 2.7.18发布,Python 2的最新版本
- 在VS中查看Halcon变量
- JavaWeb框架三剑客前言
- 秩为1的矩阵的性质总结
- cmdn发布博客(markdowm)
- Python:实现miller rabin米勒-拉宾素性检验算法(附完整源码)
- LSTM预测未来一天股票收盘价
- lay和lied_辨析:lie, lay, lain, lied, laid