[[385133]]

本文轉(zhuǎn)載自微信公眾號(hào)「五分鐘學(xué)大數(shù)據(jù)」，作者園陌。轉(zhuǎn)載本文請(qǐng)聯(lián)系五分鐘學(xué)大數(shù)據(jù)公眾號(hào)。

Spark調(diào)優(yōu)之RDD算子調(diào)優(yōu)

不廢話，直接進(jìn)入正題!

1. RDD復(fù)用

在對(duì)RDD進(jìn)行算子時(shí)，要避免相同的算子和計(jì)算邏輯之下對(duì)RDD進(jìn)行重復(fù)的計(jì)算，如下圖所示：

RDD的重復(fù)計(jì)算

 

對(duì)上圖中的RDD計(jì)算架構(gòu)進(jìn)行修改，得到如下圖所示的優(yōu)化結(jié)果：

RDD架構(gòu)優(yōu)化

 

2. 盡早filter

獲取到初始RDD后，應(yīng)該考慮盡早地過(guò)濾掉不需要的數(shù)據(jù)，進(jìn)而減少對(duì)內(nèi)存的占用，從而提升Spark作業(yè)的運(yùn)行效率。

3. 讀取大量小文件-用wholeTextFiles

當(dāng)我們將一個(gè)文本文件讀取為 RDD 時(shí)，輸入的每一行都會(huì)成為RDD的一個(gè)元素。

也可以將多個(gè)完整的文本文件一次性讀取為一個(gè)pairRDD，其中鍵是文件名，值是文件內(nèi)容。

val input:RDD[String] = sc.textFile("dir/*.log")  

如果傳遞目錄，則將目錄下的所有文件讀取作為RDD。文件路徑支持通配符。

但是這樣對(duì)于大量的小文件讀取效率并不高，應(yīng)該使用 wholeTextFiles

返回值為RDD[(String, String)]，其中Key是文件的名稱，Value是文件的內(nèi)容。

def wholeTextFiles(path: String, minPartitions: Int = defaultMinPartitions): RDD[(String, String)]) 

wholeTextFiles讀取小文件:

val filesRDD: RDD[(String, String)] = 
sc.wholeTextFiles("D:\\data\\files", minPartitions = 3) 
val linesRDD: RDD[String] = filesRDD.flatMap(_._2.split("\\r\\n")) 
val wordsRDD: RDD[String] = linesRDD.flatMap(_.split(" ")) 
wordsRDD.map((_, 1)).reduceByKey(_ + _).collect().foreach(println) 

4. mapPartition和foreachPartition

• mapPartitions

map(_….) 表示每一個(gè)元素

mapPartitions(_….) 表示每個(gè)分區(qū)的數(shù)據(jù)組成的迭代器

普通的map算子對(duì)RDD中的每一個(gè)元素進(jìn)行操作，而mapPartitions算子對(duì)RDD中每一個(gè)分區(qū)進(jìn)行操作。

如果是普通的map算子，假設(shè)一個(gè)partition有1萬(wàn)條數(shù)據(jù)，那么map算子中的function要執(zhí)行1萬(wàn)次，也就是對(duì)每個(gè)元素進(jìn)行操作。

map 算子

 

如果是mapPartition算子，由于一個(gè)task處理一個(gè)RDD的partition，那么一個(gè)task只會(huì)執(zhí)行一次function，function一次接收所有的partition數(shù)據(jù)，效率比較高。

mapPartition 算子

 

比如，當(dāng)要把RDD中的所有數(shù)據(jù)通過(guò)JDBC寫入數(shù)據(jù)，如果使用map算子，那么需要對(duì)RDD中的每一個(gè)元素都創(chuàng)建一個(gè)數(shù)據(jù)庫(kù)連接，這樣對(duì)資源的消耗很大，如果使用mapPartitions算子，那么針對(duì)一個(gè)分區(qū)的數(shù)據(jù)，只需要建立一個(gè)數(shù)據(jù)庫(kù)連接。

mapPartitions算子也存在一些缺點(diǎn)：對(duì)于普通的map操作，一次處理一條數(shù)據(jù)，如果在處理了2000條數(shù)據(jù)后內(nèi)存不足，那么可以將已經(jīng)處理完的2000條數(shù)據(jù)從內(nèi)存中垃圾回收掉;但是如果使用mapPartitions算子，但數(shù)據(jù)量非常大時(shí)，function一次處理一個(gè)分區(qū)的數(shù)據(jù)，如果一旦內(nèi)存不足，此時(shí)無(wú)法回收內(nèi)存，就可能會(huì)OOM，即內(nèi)存溢出。

因此，mapPartitions算子適用于數(shù)據(jù)量不是特別大的時(shí)候，此時(shí)使用mapPartitions算子對(duì)性能的提升效果還是不錯(cuò)的。(當(dāng)數(shù)據(jù)量很大的時(shí)候，一旦使用mapPartitions算子，就會(huì)直接OOM)

在項(xiàng)目中，應(yīng)該首先估算一下RDD的數(shù)據(jù)量、每個(gè)partition的數(shù)據(jù)量，以及分配給每個(gè)Executor的內(nèi)存資源，如果資源允許，可以考慮使用mapPartitions算子代替map。

• foreachPartition

rrd.foreache(_….) 表示每一個(gè)元素

rrd.forPartitions(_….) 表示每個(gè)分區(qū)的數(shù)據(jù)組成的迭代器

在生產(chǎn)環(huán)境中，通常使用foreachPartition算子來(lái)完成數(shù)據(jù)庫(kù)的寫入，通過(guò)foreachPartition算子的特性，可以優(yōu)化寫數(shù)據(jù)庫(kù)的性能。

如果使用foreach算子完成數(shù)據(jù)庫(kù)的操作，由于foreach算子是遍歷RDD的每條數(shù)據(jù)，因此，每條數(shù)據(jù)都會(huì)建立一個(gè)數(shù)據(jù)庫(kù)連接，這是對(duì)資源的極大浪費(fèi)，因此，對(duì)于寫數(shù)據(jù)庫(kù)操作，我們應(yīng)當(dāng)使用foreachPartition算子。

與mapPartitions算子非常相似，foreachPartition是將RDD的每個(gè)分區(qū)作為遍歷對(duì)象，一次處理一個(gè)分區(qū)的數(shù)據(jù)，也就是說(shuō)，如果涉及數(shù)據(jù)庫(kù)的相關(guān)操作，一個(gè)分區(qū)的數(shù)據(jù)只需要?jiǎng)?chuàng)建一次數(shù)據(jù)庫(kù)連接，如下圖所示：

foreachPartition 算子

 

使用了foreachPartition 算子后，可以獲得以下的性能提升：

1. 對(duì)于我們寫的function函數(shù)，一次處理一整個(gè)分區(qū)的數(shù)據(jù);
2. 對(duì)于一個(gè)分區(qū)內(nèi)的數(shù)據(jù)，創(chuàng)建唯一的數(shù)據(jù)庫(kù)連接;
3. 只需要向數(shù)據(jù)庫(kù)發(fā)送一次SQL語(yǔ)句和多組參數(shù);

在生產(chǎn)環(huán)境中，全部都會(huì)使用foreachPartition算子完成數(shù)據(jù)庫(kù)操作。foreachPartition算子存在一個(gè)問(wèn)題，與mapPartitions算子類似，如果一個(gè)分區(qū)的數(shù)據(jù)量特別大，可能會(huì)造成OOM，即內(nèi)存溢出。

5. filter+coalesce/repartition(減少分區(qū))

在Spark任務(wù)中我們經(jīng)常會(huì)使用filter算子完成RDD中數(shù)據(jù)的過(guò)濾，在任務(wù)初始階段，從各個(gè)分區(qū)中加載到的數(shù)據(jù)量是相近的，但是一旦進(jìn)過(guò)filter過(guò)濾后，每個(gè)分區(qū)的數(shù)據(jù)量有可能會(huì)存在較大差異，如下圖所示：

分區(qū)數(shù)據(jù)過(guò)濾結(jié)果

 

根據(jù)上圖我們可以發(fā)現(xiàn)兩個(gè)問(wèn)題：

1. 每個(gè)partition的數(shù)據(jù)量變小了，如果還按照之前與partition相等的task個(gè)數(shù)去處理當(dāng)前數(shù)據(jù)，有點(diǎn)浪費(fèi)task的計(jì)算資源;
2. 每個(gè)partition的數(shù)據(jù)量不一樣，會(huì)導(dǎo)致后面的每個(gè)task處理每個(gè)partition數(shù)據(jù)的時(shí)候，每個(gè)task要處理的數(shù)據(jù)量不同，這很有可能導(dǎo)致數(shù)據(jù)傾斜問(wèn)題。

如上圖所示，第二個(gè)分區(qū)的數(shù)據(jù)過(guò)濾后只剩100條，而第三個(gè)分區(qū)的數(shù)據(jù)過(guò)濾后剩下800條，在相同的處理邏輯下，第二個(gè)分區(qū)對(duì)應(yīng)的task處理的數(shù)據(jù)量與第三個(gè)分區(qū)對(duì)應(yīng)的task處理的數(shù)據(jù)量差距達(dá)到了8倍，這也會(huì)導(dǎo)致運(yùn)行速度可能存在數(shù)倍的差距，這也就是數(shù)據(jù)傾斜問(wèn)題。

針對(duì)上述的兩個(gè)問(wèn)題，我們分別進(jìn)行分析：

1. 針對(duì)第一個(gè)問(wèn)題，既然分區(qū)的數(shù)據(jù)量變小了，我們希望可以對(duì)分區(qū)數(shù)據(jù)進(jìn)行重新分配，比如將原來(lái)4個(gè)分區(qū)的數(shù)據(jù)轉(zhuǎn)化到2個(gè)分區(qū)中，這樣只需要用后面的兩個(gè)task進(jìn)行處理即可，避免了資源的浪費(fèi)。
2. 針對(duì)第二個(gè)問(wèn)題，解決方法和第一個(gè)問(wèn)題的解決方法非常相似，對(duì)分區(qū)數(shù)據(jù)重新分配，讓每個(gè)partition中的數(shù)據(jù)量差不多，這就避免了數(shù)據(jù)傾斜問(wèn)題。

那么具體應(yīng)該如何實(shí)現(xiàn)上面的解決思路?我們需要coalesce算子。

repartition與coalesce都可以用來(lái)進(jìn)行重分區(qū)，其中repartition只是coalesce接口中shuffle為true的簡(jiǎn)易實(shí)現(xiàn)，coalesce默認(rèn)情況下不進(jìn)行shuffle，但是可以通過(guò)參數(shù)進(jìn)行設(shè)置。

假設(shè)我們希望將原本的分區(qū)個(gè)數(shù)A通過(guò)重新分區(qū)變?yōu)锽，那么有以下幾種情況：

1.A > B(多數(shù)分區(qū)合并為少數(shù)分區(qū))

• A與B相差值不大

此時(shí)使用coalesce即可，無(wú)需shuffle過(guò)程。

• A與B相差值很大

此時(shí)可以使用coalesce并且不啟用shuffle過(guò)程，但是會(huì)導(dǎo)致合并過(guò)程性能低下，所以推薦設(shè)置coalesce的第二個(gè)參數(shù)為true，即啟動(dòng)shuffle過(guò)程。

2.A < B(少數(shù)分區(qū)分解為多數(shù)分區(qū))

此時(shí)使用repartition即可，如果使用coalesce需要將shuffle設(shè)置為true，否則coalesce無(wú)效。

我們可以在filter操作之后，使用coalesce算子針對(duì)每個(gè)partition的數(shù)據(jù)量各不相同的情況，壓縮partition的數(shù)量，而且讓每個(gè)partition的數(shù)據(jù)量盡量均勻緊湊，以便于后面的task進(jìn)行計(jì)算操作，在某種程度上能夠在一定程度上提升性能。

注意：local模式是進(jìn)程內(nèi)模擬集群運(yùn)行，已經(jīng)對(duì)并行度和分區(qū)數(shù)量有了一定的內(nèi)部?jī)?yōu)化，因此不用去設(shè)置并行度和分區(qū)數(shù)量。

6. 并行度設(shè)置

Spark作業(yè)中的并行度指各個(gè)stage的task的數(shù)量。

如果并行度設(shè)置不合理而導(dǎo)致并行度過(guò)低，會(huì)導(dǎo)致資源的極大浪費(fèi)，例如，20個(gè)Executor，每個(gè)Executor分配3個(gè)CPU core，而Spark作業(yè)有40個(gè)task，這樣每個(gè)Executor分配到的task個(gè)數(shù)是2個(gè)，這就使得每個(gè)Executor有一個(gè)CPU core空閑，導(dǎo)致資源的浪費(fèi)。

理想的并行度設(shè)置，應(yīng)該是讓并行度與資源相匹配，簡(jiǎn)單來(lái)說(shuō)就是在資源允許的前提下，并行度要設(shè)置的盡可能大，達(dá)到可以充分利用集群資源。合理的設(shè)置并行度，可以提升整個(gè)Spark作業(yè)的性能和運(yùn)行速度。

Spark官方推薦，task數(shù)量應(yīng)該設(shè)置為Spark作業(yè)總CPU core數(shù)量的2~3倍。之所以沒(méi)有推薦task數(shù)量與CPU core總數(shù)相等，是因?yàn)閠ask的執(zhí)行時(shí)間不同，有的task執(zhí)行速度快而有的task執(zhí)行速度慢，如果task數(shù)量與CPU core總數(shù)相等，那么執(zhí)行快的task執(zhí)行完成后，會(huì)出現(xiàn)CPU core空閑的情況。如果task數(shù)量設(shè)置為CPU core總數(shù)的2~3倍，那么一個(gè)task執(zhí)行完畢后，CPU core會(huì)立刻執(zhí)行下一個(gè)task，降低了資源的浪費(fèi)，同時(shí)提升了Spark作業(yè)運(yùn)行的效率。

Spark作業(yè)并行度的設(shè)置如下：

val conf = new SparkConf().set("spark.default.parallelism", "500") 

原則：讓 cpu 的 core(cpu 核心數(shù)) 充分利用起來(lái)， 如有100個(gè) core，那么并行度可以設(shè)置為200~300。

7. repartition/coalesce調(diào)節(jié)并行度

Spark 中雖然可以設(shè)置并行度的調(diào)節(jié)策略，但是，并行度的設(shè)置對(duì)于Spark SQL是不生效的，用戶設(shè)置的并行度只對(duì)于Spark SQL以外的所有Spark的stage生效。

Spark SQL的并行度不允許用戶自己指定，Spark SQL自己會(huì)默認(rèn)根據(jù)hive表對(duì)應(yīng)的HDFS文件的split個(gè)數(shù)自動(dòng)設(shè)置Spark SQL所在的那個(gè)stage的并行度，用戶自己通 spark.default.parallelism 參數(shù)指定的并行度，只會(huì)在沒(méi)Spark SQL的stage中生效。

由于Spark SQL所在stage的并行度無(wú)法手動(dòng)設(shè)置，如果數(shù)據(jù)量較大，并且此stage中后續(xù)的transformation操作有著復(fù)雜的業(yè)務(wù)邏輯，而Spark SQL自動(dòng)設(shè)置的task數(shù)量很少，這就意味著每個(gè)task要處理為數(shù)不少的數(shù)據(jù)量，然后還要執(zhí)行非常復(fù)雜的處理邏輯，這就可能表現(xiàn)為第一個(gè)有Spark SQL的stage速度很慢，而后續(xù)的沒(méi)有Spark SQL的stage運(yùn)行速度非常快。

為了解決Spark SQL無(wú)法設(shè)置并行度和task數(shù)量的問(wèn)題，我們可以使用repartition算子。

repartition 算子使用前后對(duì)比圖如下：

repartition 算子使用前后對(duì)比圖

 

Spark SQL這一步的并行度和task數(shù)量肯定是沒(méi)有辦法去改變了，但是，對(duì)于Spark SQL查詢出來(lái)的RDD，立即使用repartition算子，去重新進(jìn)行分區(qū)，這樣可以重新分區(qū)為多個(gè)partition，從repartition之后的RDD操作，由于不再涉及Spark SQL，因此stage的并行度就會(huì)等于你手動(dòng)設(shè)置的值，這樣就避免了Spark SQL所在的stage只能用少量的task去處理大量數(shù)據(jù)并執(zhí)行復(fù)雜的算法邏輯。使用repartition算子的前后對(duì)比如上圖所示。

8. reduceByKey本地預(yù)聚合

reduceByKey相較于普通的shuffle操作一個(gè)顯著的特點(diǎn)就是會(huì)進(jìn)行map端的本地聚合，map端會(huì)先對(duì)本地的數(shù)據(jù)進(jìn)行combine操作，然后將數(shù)據(jù)寫入給下個(gè)stage的每個(gè)task創(chuàng)建的文件中，也就是在map端，對(duì)每一個(gè)key對(duì)應(yīng)的value，執(zhí)行reduceByKey算子函數(shù)。

reduceByKey算子的執(zhí)行過(guò)程如下圖所示：

reduceByKey 算子執(zhí)行過(guò)程

 

使用reduceByKey對(duì)性能的提升如下：

1. 本地聚合后，在map端的數(shù)據(jù)量變少，減少了磁盤IO，也減少了對(duì)磁盤空間的占用;
2. 本地聚合后，下一個(gè)stage拉取的數(shù)據(jù)量變少，減少了網(wǎng)絡(luò)傳輸?shù)臄?shù)據(jù)量;
3. 本地聚合后，在reduce端進(jìn)行數(shù)據(jù)緩存的內(nèi)存占用減少;
4. 本地聚合后，在reduce端進(jìn)行聚合的數(shù)據(jù)量減少。

基于reduceByKey的本地聚合特征，我們應(yīng)該考慮使用reduceByKey代替其他的shuffle算子，例如groupByKey。

groupByKey與reduceByKey的運(yùn)行原理如下圖1和圖2所示：

圖1：groupByKey原理

圖2：reduceByKey原理

 

根據(jù)上圖可知，groupByKey不會(huì)進(jìn)行map端的聚合，而是將所有map端的數(shù)據(jù)shuffle到reduce端，然后在reduce端進(jìn)行數(shù)據(jù)的聚合操作。由于reduceByKey有map端聚合的特性，使得網(wǎng)絡(luò)傳輸?shù)臄?shù)據(jù)量減小，因此效率要明顯高于groupByKey。

9. 使用持久化+checkpoint

Spark持久化在大部分情況下是沒(méi)有問(wèn)題的，但是有時(shí)數(shù)據(jù)可能會(huì)丟失，如果數(shù)據(jù)一旦丟失，就需要對(duì)丟失的數(shù)據(jù)重新進(jìn)行計(jì)算，計(jì)算完后再緩存和使用，為了避免數(shù)據(jù)的丟失，可以選擇對(duì)這個(gè)RDD進(jìn)行checkpoint，也就是將數(shù)據(jù)持久化一份到容錯(cuò)的文件系統(tǒng)上(比如HDFS)。

一個(gè)RDD緩存并checkpoint后，如果一旦發(fā)現(xiàn)緩存丟失，就會(huì)優(yōu)先查看checkpoint數(shù)據(jù)存不存在，如果有，就會(huì)使用checkpoint數(shù)據(jù)，而不用重新計(jì)算。也即是說(shuō)，checkpoint可以視為cache的保障機(jī)制，如果cache失敗，就使用checkpoint的數(shù)據(jù)。

使用checkpoint的優(yōu)點(diǎn)在于提高了Spark作業(yè)的可靠性，一旦緩存出現(xiàn)問(wèn)題，不需要重新計(jì)算數(shù)據(jù)，缺點(diǎn)在于，checkpoint時(shí)需要將數(shù)據(jù)寫入HDFS等文件系統(tǒng)，對(duì)性能的消耗較大。

持久化設(shè)置如下：

sc.setCheckpointDir(‘HDFS’) 
rdd.cache/persist(memory_and_disk) 
rdd.checkpoint 

10. 使用廣播變量

默認(rèn)情況下，task中的算子中如果使用了外部的變量，每個(gè)task都會(huì)獲取一份變量的復(fù)本，這就造成了內(nèi)存的極大消耗。一方面，如果后續(xù)對(duì)RDD進(jìn)行持久化，可能就無(wú)法將RDD數(shù)據(jù)存入內(nèi)存，只能寫入磁盤，磁盤IO將會(huì)嚴(yán)重消耗性能;另一方面，task在創(chuàng)建對(duì)象的時(shí)候，也許會(huì)發(fā)現(xiàn)堆內(nèi)存無(wú)法存放新創(chuàng)建的對(duì)象，這就會(huì)導(dǎo)致頻繁的GC，GC會(huì)導(dǎo)致工作線程停止，進(jìn)而導(dǎo)致Spark暫停工作一段時(shí)間，嚴(yán)重影響Spark性能。

假設(shè)當(dāng)前任務(wù)配置了20個(gè)Executor，指定500個(gè)task，有一個(gè)20M的變量被所有task共用，此時(shí)會(huì)在500個(gè)task中產(chǎn)生500個(gè)副本，耗費(fèi)集群10G的內(nèi)存，如果使用了廣播變量， 那么每個(gè)Executor保存一個(gè)副本，一共消耗400M內(nèi)存，內(nèi)存消耗減少了5倍。

廣播變量在每個(gè)Executor保存一個(gè)副本，此Executor的所有task共用此廣播變量，這讓變量產(chǎn)生的副本數(shù)量大大減少。

在初始階段，廣播變量只在Driver中有一份副本。task在運(yùn)行的時(shí)候，想要使用廣播變量中的數(shù)據(jù)，此時(shí)首先會(huì)在自己本地的Executor對(duì)應(yīng)的BlockManager中嘗試獲取變量，如果本地沒(méi)有，BlockManager就會(huì)從Driver或者其他節(jié)點(diǎn)的BlockManager上遠(yuǎn)程拉取變量的復(fù)本，并由本地的BlockManager進(jìn)行管理;之后此Executor的所有task都會(huì)直接從本地的BlockManager中獲取變量。

對(duì)于多個(gè)Task可能會(huì)共用的數(shù)據(jù)可以廣播到每個(gè)Executor上：

val 廣播變量名= sc.broadcast(會(huì)被各個(gè)Task用到的變量,即需要廣播的變量) 
 
廣播變量名.value//獲取廣播變量 

11. 使用Kryo序列化

默認(rèn)情況下，Spark使用Java的序列化機(jī)制。Java的序列化機(jī)制使用方便，不需要額外的配置，在算子中使用的變量實(shí)現(xiàn)Serializable接口即可，但是，Java序列化機(jī)制的效率不高，序列化速度慢并且序列化后的數(shù)據(jù)所占用的空間依然較大。

Spark官方宣稱Kryo序列化機(jī)制比Java序列化機(jī)制性能提高10倍左右，Spark之所以沒(méi)有默認(rèn)使用Kryo作為序列化類庫(kù)，是因?yàn)樗恢С炙袑?duì)象的序列化，同時(shí)Kryo需要用戶在使用前注冊(cè)需要序列化的類型，不夠方便，但從Spark 2.0.0版本開(kāi)始，簡(jiǎn)單類型、簡(jiǎn)單類型數(shù)組、字符串類型的Shuffling RDDs 已經(jīng)默認(rèn)使用Kryo序列化方式了。

Kryo序列化注冊(cè)方式的代碼如下：

public class MyKryoRegistrator implements KryoRegistrator{ 
  @Override 
  public void registerClasses(Kryo kryo){ 
    kryo.register(StartupReportLogs.class); 
  } 
} 

配置Kryo序列化方式的代碼如下：

//創(chuàng)建SparkConf對(duì)象 
val conf = new SparkConf().setMaster(…).setAppName(…) 
//使用Kryo序列化庫(kù) 
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer");   
//在Kryo序列化庫(kù)中注冊(cè)自定義的類集合 
conf.set("spark.kryo.registrator", "bigdata.com.MyKryoRegistrator");