Spark性能調優-RDD算子調優篇
本文轉載自微信公眾號「五分鐘學大數據」，作者園陌。轉載本文請聯系五分鐘學大數據公眾號。
Spark調優之RDD算子調優
不廢話，直接進入正題!
1. RDD復用
在對RDD進行算子時，要避免相同的算子和計算邏輯之下對RDD進行重復的計算，如下圖所示：
RDD的重復計算
對上圖中的RDD計算架構進行修改，得到如下圖所示的優化結果：
RDD架構優化
2. 盡早filter
獲取到初始RDD后，應該考慮盡早地過濾掉不需要的數據，進而減少對內存的占用，從而提升Spark作業的運行效率。
3. 讀取大量小文件-用wholeTextFiles
當我們將一個文本文件讀取為 RDD 時，輸入的每一行都會成為RDD的一個元素。
也可以將多個完整的文本文件一次性讀取為一個pairRDD，其中鍵是文件名，值是文件內容。
- 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。
但是這樣對于大量的小文件讀取效率并不高，應該使用 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(_….) 表示每一個元素
mapPartitions(_….) 表示每個分區的數據組成的迭代器
普通的map算子對RDD中的每一個元素進行操作，而mapPartitions算子對RDD中每一個分區進行操作。
如果是普通的map算子，假設一個partition有1萬條數據，那么map算子中的function要執行1萬次，也就是對每個元素進行操作。
map 算子
如果是mapPartition算子，由于一個task處理一個RDD的partition，那么一個task只會執行一次function，function一次接收所有的partition數據，效率比較高。
mapPartition 算子
比如，當要把RDD中的所有數據通過JDBC寫入數據，如果使用map算子，那么需要對RDD中的每一個元素都創建一個數據庫連接，這樣對資源的消耗很大，如果使用mapPartitions算子，那么針對一個分區的數據，只需要建立一個數據庫連接。
mapPartitions算子也存在一些缺點：對于普通的map操作，一次處理一條數據，如果在處理了2000條數據后內存不足，那么可以將已經處理完的2000條數據從內存中垃圾回收掉;但是如果使用mapPartitions算子，但數據量非常大時，function一次處理一個分區的數據，如果一旦內存不足，此時無法回收內存，就可能會OOM，即內存溢出。
因此，mapPartitions算子適用于數據量不是特別大的時候，此時使用mapPartitions算子對性能的提升效果還是不錯的。(當數據量很大的時候，一旦使用mapPartitions算子，就會直接OOM)
在項目中，應該首先估算一下RDD的數據量、每個partition的數據量，以及分配給每個Executor的內存資源，如果資源允許，可以考慮使用mapPartitions算子代替map。
- foreachPartition
rrd.foreache(_….) 表示每一個元素
rrd.forPartitions(_….) 表示每個分區的數據組成的迭代器
在生產環境中，通常使用foreachPartition算子來完成數據庫的寫入，通過foreachPartition算子的特性，可以優化寫數據庫的性能。
如果使用foreach算子完成數據庫的操作，由于foreach算子是遍歷RDD的每條數據，因此，每條數據都會建立一個數據庫連接，這是對資源的極大浪費，因此，對于寫數據庫操作，我們應當使用foreachPartition算子。
與mapPartitions算子非常相似，foreachPartition是將RDD的每個分區作為遍歷對象，一次處理一個分區的數據，也就是說，如果涉及數據庫的相關操作，一個分區的數據只需要創建一次數據庫連接，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：
- 對于我們寫的function函數，一次處理一整個分區的數據;
- 對于一個分區內的數據，創建唯一的數據庫連接;
- 只需要向數據庫發送一次SQL語句和多組參數;
在生產環境中，全部都會使用foreachPartition算子完成數據庫操作。foreachPartition算子存在一個問題，與mapPartitions算子類似，如果一個分區的數據量特別大，可能會造成OOM，即內存溢出。
5. filter+coalesce/repartition(減少分區)
在Spark任務中我們經常會使用filter算子完成RDD中數據的過濾，在任務初始階段，從各個分區中加載到的數據量是相近的，但是一旦進過filter過濾后，每個分區的數據量有可能會存在較大差異，如下圖所示：
分區數據過濾結果
根據上圖我們可以發現兩個問題：
- 每個partition的數據量變小了，如果還按照之前與partition相等的task個數去處理當前數據，有點浪費task的計算資源;
- 每個partition的數據量不一樣，會導致后面的每個task處理每個partition數據的時候，每個task要處理的數據量不同，這很有可能導致數據傾斜問題。
如上圖所示，第二個分區的數據過濾后只剩100條，而第三個分區的數據過濾后剩下800條，在相同的處理邏輯下，第二個分區對應的task處理的數據量與第三個分區對應的task處理的數據量差距達到了8倍，這也會導致運行速度可能存在數倍的差距，這也就是數據傾斜問題。
針對上述的兩個問題，我們分別進行分析：
- 針對第一個問題，既然分區的數據量變小了，我們希望可以對分區數據進行重新分配，比如將原來4個分區的數據轉化到2個分區中，這樣只需要用后面的兩個task進行處理即可，避免了資源的浪費。
- 針對第二個問題，解決方法和第一個問題的解決方法非常相似，對分區數據重新分配，讓每個partition中的數據量差不多，這就避免了數據傾斜問題。
那么具體應該如何實現上面的解決思路?我們需要coalesce算子。
repartition與coalesce都可以用來進行重分區，其中repartition只是coalesce接口中shuffle為true的簡易實現，coalesce默認情況下不進行shuffle，但是可以通過參數進行設置。
假設我們希望將原本的分區個數A通過重新分區變為B，那么有以下幾種情況：
1.A > B(多數分區合并為少數分區)
- A與B相差值不大
此時使用coalesce即可，無需shuffle過程。
- A與B相差值很大
此時可以使用coalesce并且不啟用shuffle過程，但是會導致合并過程性能低下，所以推薦設置coalesce的第二個參數為true，即啟動shuffle過程。
2.A < B(少數分區分解為多數分區)
此時使用repartition即可，如果使用coalesce需要將shuffle設置為true，否則coalesce無效。
我們可以在filter操作之后，使用coalesce算子針對每個partition的數據量各不相同的情況，壓縮partition的數量，而且讓每個partition的數據量盡量均勻緊湊，以便于后面的task進行計算操作，在某種程度上能夠在一定程度上提升性能。
注意：local模式是進程內模擬集群運行，已經對并行度和分區數量有了一定的內部優化，因此不用去設置并行度和分區數量。
6. 并行度設置
Spark作業中的并行度指各個stage的task的數量。
如果并行度設置不合理而導致并行度過低，會導致資源的極大浪費，例如，20個Executor，每個Executor分配3個CPU core，而Spark作業有40個task，這樣每個Executor分配到的task個數是2個，這就使得每個Executor有一個CPU core空閑，導致資源的浪費。
理想的并行度設置，應該是讓并行度與資源相匹配，簡單來說就是在資源允許的前提下，并行度要設置的盡可能大，達到可以充分利用集群資源。合理的設置并行度，可以提升整個Spark作業的性能和運行速度。
Spark官方推薦，task數量應該設置為Spark作業總CPU core數量的2~3倍。之所以沒有推薦task數量與CPU core總數相等，是因為task的執行時間不同，有的task執行速度快而有的task執行速度慢，如果task數量與CPU core總數相等，那么執行快的task執行完成后，會出現CPU core空閑的情況。如果task數量設置為CPU core總數的2~3倍，那么一個task執行完畢后，CPU core會立刻執行下一個task，降低了資源的浪費，同時提升了Spark作業運行的效率。
Spark作業并行度的設置如下：
- val conf = new SparkConf().set("spark.default.parallelism", "500")
原則：讓 cpu 的 core(cpu 核心數) 充分利用起來， 如有100個 core，那么并行度可以設置為200~300。
7. repartition/coalesce調節并行度
Spark 中雖然可以設置并行度的調節策略，但是，并行度的設置對于Spark SQL是不生效的，用戶設置的并行度只對于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自己會默認根據hive表對應的HDFS文件的split個數自動設置Spark SQL所在的那個stage的并行度，用戶自己通 spark.default.parallelism 參數指定的并行度，只會在沒Spark SQL的stage中生效。
由于Spark SQL所在stage的并行度無法手動設置，如果數據量較大，并且此stage中后續的transformation操作有著復雜的業務邏輯，而Spark SQL自動設置的task數量很少，這就意味著每個task要處理為數不少的數據量，然后還要執行非常復雜的處理邏輯，這就可能表現為第一個有Spark SQL的stage速度很慢，而后續的沒有Spark SQL的stage運行速度非常快。
為了解決Spark SQL無法設置并行度和task數量的問題，我們可以使用repartition算子。
repartition 算子使用前后對比圖如下：
repartition 算子使用前后對比圖
Spark SQL這一步的并行度和task數量肯定是沒有辦法去改變了，但是，對于Spark SQL查詢出來的RDD，立即使用repartition算子，去重新進行分區，這樣可以重新分區為多個partition，從repartition之后的RDD操作，由于不再涉及Spark SQL，因此stage的并行度就會等于你手動設置的值，這樣就避免了Spark SQL所在的stage只能用少量的task去處理大量數據并執行復雜的算法邏輯。使用repartition算子的前后對比如上圖所示。
8. reduceByKey本地預聚合
reduceByKey相較于普通的shuffle操作一個顯著的特點就是會進行map端的本地聚合，map端會先對本地的數據進行combine操作，然后將數據寫入給下個stage的每個task創建的文件中，也就是在map端，對每一個key對應的value，執行reduceByKey算子函數。
reduceByKey算子的執行過程如下圖所示：
reduceByKey 算子執行過程
使用reduceByKey對性能的提升如下：
- 本地聚合后，在map端的數據量變少，減少了磁盤IO，也減少了對磁盤空間的占用;
- 本地聚合后，下一個stage拉取的數據量變少，減少了網絡傳輸的數據量;
- 本地聚合后，在reduce端進行數據緩存的內存占用減少;
- 本地聚合后，在reduce端進行聚合的數據量減少。
基于reduceByKey的本地聚合特征，我們應該考慮使用reduceByKey代替其他的shuffle算子，例如groupByKey。
groupByKey與reduceByKey的運行原理如下圖1和圖2所示：
圖1：groupByKey原理
圖2：reduceByKey原理
根據上圖可知，groupByKey不會進行map端的聚合，而是將所有map端的數據shuffle到reduce端，然后在reduce端進行數據的聚合操作。由于reduceByKey有map端聚合的特性，使得網絡傳輸的數據量減小，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有問題的，但是有時數據可能會丟失，如果數據一旦丟失，就需要對丟失的數據重新進行計算，計算完后再緩存和使用，為了避免數據的丟失，可以選擇對這個RDD進行checkpoint，也就是將數據持久化一份到容錯的文件系統上(比如HDFS)。
一個RDD緩存并checkpoint后，如果一旦發現緩存丟失，就會優先查看checkpoint數據存不存在，如果有，就會使用checkpoint數據，而不用重新計算。也即是說，checkpoint可以視為cache的保障機制，如果cache失敗，就使用checkpoint的數據。
使用checkpoint的優點在于提高了Spark作業的可靠性，一旦緩存出現問題，不需要重新計算數據，缺點在于，checkpoint時需要將數據寫入HDFS等文件系統，對性能的消耗較大。
持久化設置如下：
- sc.setCheckpointDir(‘HDFS’)
- rdd.cache/persist(memory_and_disk)
- rdd.checkpoint
10. 使用廣播變量
默認情況下，task中的算子中如果使用了外部的變量，每個task都會獲取一份變量的復本，這就造成了內存的極大消耗。一方面，如果后續對RDD進行持久化，可能就無法將RDD數據存入內存，只能寫入磁盤，磁盤IO將會嚴重消耗性能;另一方面，task在創建對象的時候，也許會發現堆內存無法存放新創建的對象，這就會導致頻繁的GC，GC會導致工作線程停止，進而導致Spark暫停工作一段時間，嚴重影響Spark性能。
假設當前任務配置了20個Executor，指定500個task，有一個20M的變量被所有task共用，此時會在500個task中產生500個副本，耗費集群10G的內存，如果使用了廣播變量， 那么每個Executor保存一個副本，一共消耗400M內存，內存消耗減少了5倍。
廣播變量在每個Executor保存一個副本，此Executor的所有task共用此廣播變量，這讓變量產生的副本數量大大減少。
在初始階段，廣播變量只在Driver中有一份副本。task在運行的時候，想要使用廣播變量中的數據，此時首先會在自己本地的Executor對應的BlockManager中嘗試獲取變量，如果本地沒有，BlockManager就會從Driver或者其他節點的BlockManager上遠程拉取變量的復本，并由本地的BlockManager進行管理;之后此Executor的所有task都會直接從本地的BlockManager中獲取變量。
對于多個Task可能會共用的數據可以廣播到每個Executor上：
- val 廣播變量名= sc.broadcast(會被各個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
默認情況下，Spark使用Java的序列化機制。Java的序列化機制使用方便，不需要額外的配置，在算子中使用的變量實現Serializable接口即可，但是，Java序列化機制的效率不高，序列化速度慢并且序列化后的數據所占用的空間依然較大。
Spark官方宣稱Kryo序列化機制比Java序列化機制性能提高10倍左右，Spark之所以沒有默認使用Kryo作為序列化類庫，是因為它不支持所有對象的序列化，同時Kryo需要用戶在使用前注冊需要序列化的類型，不夠方便，但從Spark 2.0.0版本開始，簡單類型、簡單類型數組、字符串類型的Shuffling RDDs 已經默認使用Kryo序列化方式了。
Kryo序列化注冊方式的代碼如下：
- 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：
- //創建SparkConf對象
- val conf = new SparkConf().setMaster(…).setAppName(…)
- //使用Kryo序列化庫
- conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer");
- //在Kryo序列化庫中注冊自定義的類集合
- conf.set("spark.kryo.registrator", "bigdata.com.MyKryoRegistrator");
