超大超详细图解，让你掌握Spark memeoryStore内存管理的精髓

摘要：memoryStore主要是将没有序列化的java对象数组或者序列化的byteBuffer放到内存中。

本文分享自华为云社区《spark到底是怎么确认内存够不够用的？超大超详细图解！让你掌握Spark memeoryStore内存管理的精髓》，作者： breakDraw 。

首先回顾一下spark中的Block Manager和memory Store是做什么的。它主要是将没有序列化的java对象数组或者序列化的byte Buffer放到内存中。

但是这就涉及到一些内存管理的问题，如果放不下，是不是要放磁盘？什么时候认为放不下？这里会一一解读。

MemoryStore的putIterator

这个方法是把一堆values的数组内容放入内存中（本质上就是放到Map<blockId, blockEntry>中。如果发现内存足够，能够申请，则调用putArray把数据写入内存（就是放到map中），否则就去调用diskStore的接口写入磁盘中。

这里我先打住，不直接往下讲，而是给自己假设场景，如果是自己在开发计算引擎，写executor里的block缓存，肯定需要思考这个问题：

什么时候认为内存是足够的？

最简单的一个做法：

我给每个memoryStore设定一个阈值MaxMemory，
维护一个值currentMemory，这个值就是memoryStroe里那个Map<BlockId,memoryEntry>所占的大小。
然后遍历计算一下输入参数values所占的内存大小 needMemory
如果needMemory > maxMemory - currentMemory，则认为内存不足，写入到磁盘。

这个做法相当于直接把整个values大小都计算好之后，如果ok，马上进行写入内存操作。

如果是memoryStore是单线程的模块那ok，但如果这个putIterator是一个支持多线程写入的模块呢？当我觉得100M足够，我写入，可能得花10s，然后另外一个线程也觉得100M足够，也要写入，结果写到一半发现内存不够，就尴尬了。

因此问题变为：

多线程时，如果确保计算的内存量是有效的？

一种方式，就是每次确定要写入时，把要写入的这100M的量直接加到currentMemory中。后面的线程要判断时，直接拿最新的curentMemory判断。

但实际上这个数据并没有真正写入map中，有可能中间出现写入失败或者线程中断，那这时候已经被处理过的currentMemory就不好搞了。

所以引入一个概念，叫展开内存unrollMemory。

每个线程都有自己的unrollMemory，可以理解为该线程准备写入到内存中的大小。因此我们统计剩余可写入内存时，实际上是等于 MaxMemory - currentMemory - 所有线程unrollMemory总和。

但是我们又不能让线程展开的这个值正好把剩余内存占满，所以会设定一个展开内存总和maxUnrollMemory，替代MaxMemory。

因此此时我这个线程可用的剩余内存space，实际上为maxUnrollMemory - cyrrentUnrollMemory。

但问题又来了，如果我们假想的可分配内存比实际剩余内存小，怎么办？如下图:

一种方式，是发现假想剩余内存小于实际剩余内存时，认为内存不足，把数据写入磁盘。

但有个问题，假设我需要写入100M，实际剩余内存是98M，其实只差了2M，那为什么不能挤挤呢？只差2M了！

然而我肯定不能去动其他线程的unrollMemory，毕竟人家都认为自己是ok的准备写入了，你总不能插队吧？如果能动其他线程准备写入的数据，这管理就太复杂了。因此我们需要去已使用内存MemoryEntry里面找，找一下是不是有比较小的block块，比如有一个块只有5M，那我就把这个block块放入磁盘，那么我就可以塞进去了！

解答完上述问题后，再学习memoryStore的内存写入管理机制，就容易多了。