一、yarn的资源分配策略

1. 总体：

1. 因为不仅仅只有spark on yarn，hive、impala等也依赖yarn，所以spark提交资源参数如果设置的等于或者超过最大资源数，实际分配的资源会小于设置值

2. yarn is a resource scheduling framework，它可以设置一次任务所能获取的最大和最小资源。资源包括节点、core、memory,yarn可以控制一个任务所能分配的这3样的上下限。可以设置资源池，队列，角色组，通过这些概念来管理资源的分配。

3. spark程序运行时如果内存不足是会报错退出的，亲测，报的错包括控制台：java.io.IOException: Failed to send RPC xxx to /ip，executor日志：ERROR util.Utils:Aborting task，Error writing row，Internal state when error was thrown:xxx。而MR不会因为资源不足而执行失败。
   
   

4. spark程序的启动会有最低资源要求，如果连启动的资源都达不到，会一直提示资源等待。或者一直处于accepted状态
   

5. spark的资源获取，yarn的资源分配都不是严格按照设定的来。亲测。

6. yarn中如果硬盘资源不足或者nm宕机，都会导致能分配的资源减少。
   example，因为硬盘资源不足，yarn进行资源分配计算时，会减少NM的数量，导致rmUI中可分配资源只有1个的量。坑！！！
   

7. on yarn下，driver和executor可以位于同1个节点。

{1} 查看yarn拥有、能分配的所有资源

{2} 查看任务可以使用的资源，任务真正获取的资源。 rm_ip:8088

可以在这个界面中打开spark和hive任务的UI，如果是cluster模式的spark程序，因为不确定哪个是driver所在，只能在这里打开。

2. executor的数量

由spark.cores.max/spark.executor.cores和e-n决定。如果前者大，取e-n；后者大，取前者。
亲测，如果e-c设置的过大，会导致executor数的减少。比如yarn一共只有24个core，e-c设置了8个，那最终executor一定不是3，即使en为3，因为还要把一些core分配给其他服务和备用。

ecample1：yarn一共24cores，e-c 8，en无论设置多少实际e只有1或2个，最终把ec改为5，才出现了3个e。
example2：yarn可用nm是2个，一个8核，总共16个核，如果e-c设成10，那只会有1个executor

{1} 查看executor的状态、数量，在sparkUI导航栏的executor选项卡中。

{2} e和节点的关系

executor的意义就是为了在节点上管理任务，包括资源分配和任务运行，1个节点上可以有多个executor，一般这样是为了只在一个节点上扩大内存，因为如果增大em，那所有节点上e的内存都增大了。此时如果多设置1个e，那么有1个节点上会有2个e，这样这个节点上就会有2份e的资源和任务执行能力。这样只增加了1份内存。

3. 内存的大小

yarn中可以给任务设置内存的上下限，也可以给yarn的角色组内的任务设置上下限

这里设置了之后还要在xx中设置，防止启动时报错

4. core的数量

三、spark的task和分区之间的关系

亲测，spark的task会根据数据量自动设置，会远超过默认数量，60G数据会达到560个task。
改变了下资源，发现task数没变化，可能在一定的资源范围内，task数只跟数据量有关。这可能是spark的一种优化。