Spark 属性

Dataproc Serverless 使用 Spark 属性来确定要分配给批量工作负载的计算、内存和磁盘资源。这些属性设置可能会影响工作负载配额用量和费用（如需了解详情，请参阅 Dataproc 无服务器配额和 Dataproc 无服务器价格）。

设置 Spark 批处理工作负载属性

使用 Google Cloud 控制台、gcloud CLI 或 Dataproc API 提交 Dataproc Serverless Spark 批量工作负载时，您可以指定 Spark 属性。

控制台

  1. 转到 Google Cloud 控制台中的 Dataproc 创建批次页面。

  2. 在属性部分中，点击添加属性，然后输入受支持的 Spark 属性的 Key（名称）和 Value。

gcloud

gcloud CLI 批量提交示例：

gcloud dataproc batches submit spark
    --properties=spark.checkpoint.compress=true \
    --region=region \
    other args ...

API

在 batches.create 请求中，使用受支持的 Spark 属性设置 RuntimeConfig.properties。

支持的 Spark 属性

Dataproc Serverless for Spark 支持大多数 Spark 属性，但它不支持与 YARN 和 shuffle 相关的 Spark 属性，例如 spark.master=yarn 和 spark.shuffle.service.enabled。如果 Spark 应用代码设置 YARN 或 shuffle 属性，则应用将失败。

运行时环境属性

Dataproc Serverless for Spark 支持以下自定义 Spark 属性以配置运行时环境：

属性 说明
spark.dataproc.driverEnv.EnvironmentVariableName 将 EnvironmentVariableName 添加到驱动程序进程。您可以指定多个环境变量。

资源分配属性

Dataproc Serverless for Spark 支持以下 Spark 属性以配置资源分配：

属性 说明 默认 示例
spark.driver.cores 要分配给 Spark 驱动程序的核心 (vCPU) 数。 有效值：4、8、16。 4
spark.driver.memory

要分配给 Spark 驱动程序进程的内存量，以带有大小单位后缀（“m”“g”或“t”）的 JVM 内存字符串格式指定。

每个驱动程序核心的总驱动程序内存量，包括驱动程序内存开销，对于标准计算层级，该开销必须介于 1024m 到 7424m 之间（高级计算层级为 24576m）。例如，如果 spark.driver.cores = 4，则 4096m <= spark.driver.memory + spark.driver.memoryOverhead <= 29696m。

 512m，2g
spark.driver.memoryOverhead

要分配给 Spark 驱动程序进程的额外 JVM 内存量，以带有大小单位后缀（“m”“g”或“t”）的 JVM 内存字符串格式指定。

这是与 JVM 开销、内部字符串和其他原生开销相关的非堆内存，包括其他驱动程序进程（如 PySpark 驱动程序进程）以及容器中运行的其他非驱动程序进程使用的内存。 运行驱动程序的容器的最大内存大小由 spark.driver.memoryOverhead 与 spark.driver.memory 之和确定。

对于标准计算层级，每个驱动程序核心的总内存量（包括驱动程序内存开销）必须介于 1024m 到 7424m 之间（高级计算层级为 24576m）。例如，如果 spark.driver.cores = 4，则 4096m <= spark.driver.memory + spark.driver.memoryOverhead <= 29696m。

 驱动程序内存的 10%，PySpark 批处理工作负载除外，其默认为驱动程序内存的 40% 512m，2g
spark.dataproc.driver.compute.tier 要在驱动程序上使用的计算层级。 高级计算层级的单核心性能更高，但费用也更高。standard 标准、优质
spark.dataproc.driver.disk.size 分配给驱动程序的磁盘空间量，使用大小单位后缀（“k”“m”“g”或“t”）指定。必须至少为 250GiB。如果在驱动程序上选择了高级磁盘层级，则有效大小为 375g、750g、1500g、3000g、6000g 或 9000g。 每个核心 100GiB 1024g，2t
spark.dataproc.driver.disk.tier 用于驱动程序上的本地存储空间和 Shuffle 存储空间的磁盘层级。 高级磁盘层级可在 IOPS 和吞吐量方面提供更好的性能，但以更高的费率计费。如果在驱动程序上选择了高级磁盘层级，还必须使用 spark.dataproc.driver.compute.tier=premium 选择高级计算层级，并且必须使用 spark.dataproc.executor.disk.size 指定磁盘空间量。

如果选择了高级磁盘层级，驱动程序会为系统存储空间额外分配 50GiB 的磁盘空间，用户应用无法使用这些磁盘空间。

standard 标准、优质
spark.executor.cores 要分配给每个 Spark 执行器的核心 (vCPU) 数。 有效值：4、8、16。 4
spark.executor.memory

要分配给每个 Spark 执行器进程的内存量，使用带有大小单位后缀（“m”“g”或“t”）的 JVM 内存字符串格式指定。

对于标准计算层级，每个执行器核心的执行器总内存（包括执行器内存开销）必须介于 1024m 到 7424m 之间（高级计算层级为 24576m）。例如，如果 spark.executor.cores = 4，则 4096m <= spark.executor.memory + spark.executor.memoryOverhead <= 29696m。

 512m，2g
spark.executor.memoryOverhead

要分配给 Spark 执行器进程的额外 JVM 内存量，以带有大小单位后缀（“m”“g”或“t”）的 JVM 内存字符串格式指定。

这是用于 JVM 开销、内部字符串和其他原生开销的非堆内存，包括 PySpark 执行器内存以及容器中运行的其他非执行器进程使用的内存。 运行执行程序的容器的最大内存大小由 spark.executor.memoryOverhead 与 spark.executor.memory 之和确定。

对于标准计算层级，每个执行器核心的执行器总内存（包括执行器内存开销）必须介于 1024m 到 7424m 之间（高级计算层级为 24576m）。例如，如果 spark.executor.cores = 4，则 4096m <= spark.executor.memory + spark.executor.memoryOverhead <= 29696m。

 执行器内存的 10%，PySpark 批处理工作负载除外，其默认为执行器内存的 40% 512m，2g
spark.dataproc.executor.compute.tier 要对执行器使用的计算层级。 高级计算层级的单核心性能更高，但费用也更高。standard 标准、优质
spark.dataproc.executor.disk.size 分配给每个执行器的磁盘空间量，用大小单位后缀（“k”“m”“g”或“t”）指定。执行器磁盘空间可能会用于 shuffle 数据和暂存依赖项。必须至少为 250GiB。如果在执行器上选择了高级磁盘层级，则有效大小为 375g、750g、1500g、3000g、6000g 或 9000g。 每个核心 100GiB 1024g，2t
spark.dataproc.executor.disk.tier 用于执行程序上的本地存储空间和 Shuffle 存储的磁盘层级。 高级磁盘层级可在 IOPS 和吞吐量方面提供更好的性能，但以更高的费率计费。如果在执行器上选择了高级磁盘层级，则还必须使用 spark.dataproc.executor.compute.tier=premium 选择高级计算层级，并且必须使用 spark.dataproc.executor.disk.size 指定磁盘空间量。

如果选择了优质磁盘层级，系统会为每个执行器分配额外的 50 GiB 磁盘空间，用于存储系统存储空间，但用户应用无法使用这些磁盘空间。

standard 标准、优质
spark.executor.instances 要分配的初始执行器数量。批量工作负载启动后，自动扩缩可能会更改活跃执行器的数量。必须至少为 2，最多为 2000。

自动扩缩属性

如需查看可用于配置 Dataproc Serverless 自动扩缩的 Spark 属性列表，请参阅 Spark 动态分配属性。

日志记录属性

属性 说明 默认 示例
spark.log.level 设置后，在 Spark 启动时调用 SparkContext.setLogLevel() 会替换任何用户定义的日志设置。有效日志级别包括：ALL、DEBUG、ERROR、FATAL、INFO、OFF、TRACE 和 WARN。 INFO，DEBUG
spark.executor.syncLogLevel.enabled 如果设置为 true，通过 SparkContext.setLogLevel() 方法应用的日志级别将传播到所有执行程序。 false true，false
spark.log.level.PackageName 设置后，在 Spark 启动时，将调用 SparkContext.setLogLevel(PackageName, level) 来替换任何用户定义的日志设置。有效日志级别包括：ALL、DEBUG、ERROR、FATAL、INFO、OFF、TRACE 和 WARN。 spark.log.level.org.apache.spark=error

其他属性

属性 说明
dataproc.diagnostics.enabled 启用此属性，以便在批量工作负载失败或取消时运行诊断。如果启用了诊断功能，您的批量工作负载在完成诊断后将继续使用 计算资源，直到诊断完成为止。 Batch.RuntimeInfo.diagnosticOutputUri API 字段中会列出指向诊断 tar 压缩文件位置的 URI。
dataproc.gcsConnector.version 使用此属性升级到某个 Cloud Storage 连接器版本，该版本与批处理工作负载的运行时版本安装的版本不同。
dataproc.sparkBqConnector.version 使用此属性升级到某个 Spark BigQuery 连接器版本，该版本与批处理工作负载的运行时版本安装的版本不同（请参阅将 BigQuery 连接器与 Dataproc Serverless for Spark 搭配使用）。