Spark 内存管理

堆内和堆外内存

Spark 引入了堆外（Off-heap）内存，使之可以直接在工作节点的系统内存中开辟空间，进一步优化了内存的使用。
堆内内存受到 JVM 统一管理，堆外内存是直接向操作系统进行内存的申请和释放。

堆内内存

由 Spark 应 用 程 序 启 动 时 的 – executor-memory 或spark.executor.memory 参数配置，Executor 内运行的并发任务共享 JVM 堆内内存
存储（Storage）内存：RDD 数据缓存 和广播（Broadcast）变量；
执行（Execution）内存：任务在执行 Shuffle 时占用的内存；
剩余（Other）空间：Spark 内部的对象实例，或者用户定义的 Spark 应用程序中的对象实例。

Spark 不能准确记录实际可用的堆内内存：在被 Spark 标记为释放的对象实例，有可能在实际上并没有被 JVM 回收，导致实际可用的内存小于 Spark 记录的可用内存。

堆外内存

Spark可以直接操作系统堆外内存，减少了不必要的内存开销，以及频繁的 GC 扫描和回收。堆外内存可以被精确地申请和释放（堆外内存之所以能够被精确的申请和释放，是由于内存的申请和释放不再通过JVM 机制，而是直接向操作系统申请和操作系统释放）

在默认情况下堆外内存并不启用，可通过配置spark.memory.offHeap.enabled 参数启用， 并由 spark.memory.offHeap.size 参数设定堆外空间的大小。堆外内存没有 other 空间，只有Storage内存和Execution内存。

堆外与堆内的平衡

对于需要处理的数据集，如果数据模式比较扁平，而且字段多是定长数据类型，就更多地使用堆外内存。

如果数据模式很复杂，嵌套结构或变长字段多，就更多采用 JVM 堆内内存会更加稳妥。

内存空间分配

静态内存管理（早期版本）

存储内存、执行内存和其他内存的大小在Spark 应用程序运行期间均为固定的，应用程序启动前可以通过参数配置。

堆外的空间只有存储内存和执行内存，由参数 spark.memory.storageFraction 决定

# 静态内存# 堆内内存
# spark.executor.memory提交任务时指定executor 堆内内存总大小
可用的Execution内存 = executor.memory * spark.shuffle.memoryFraction * spark.shuffle.safety.Fraction
可用的Storage内存 = executor.memory * spark.storage.memoryFraction * spark.storage.safety.Fraction# 堆外内存
# spark.memory.offHeap.size 提交任务时指定executor 堆外内存总大小
可用的存储内存 = memory.offHeap.size * spark.storage.memoryFraction
可用的执行内存 = memory.offHeap.size * ( 1- spark.storage.memoryFraction)

统一内存管理

与静态内存管理的区别在于存储内存和执行内存共享同一块空间，可以动态占用对方的空闲区域

统一内存管理的堆外内存

# 统一内存# 堆内内存
# spark.executor.memory提交任务时指定executor 堆内内存总大小
初始可用的Execution内存 = (executor.memory -300M) * spark.memory.fraction * (1-spark.storage.storageFraction)
初始可用的Storage内存 = (executor.memory -300M) * spark.memory.fraction * spark.storage.storageFraction# 堆外内存
# spark.memory.offHeap.size 提交任务时指定executor 堆外内存总大小
可用的存储内存 = memory.offHeap.size * spark.storage.memoryFraction
可用的执行内存 = memory.offHeap.size * ( 1- spark.storage.memoryFraction)

最重要的优化在于动态占用机制，其规则如下：

• 如果对方的内存空间有空闲，双方可以互相抢占；

• 对于 Storage Memory 抢占的 Execution Memory 部分，当分布式任务有计算需要时，Storage Memory 必须立即归还抢占的内存，涉及的缓存数据要么落盘、要么清除；

• 对于 Execution Memory 抢占的 Storage Memory 部分，即便 Storage Memory 有收回内存的需要，也必须要等到分布式任务执行完毕才能释放。