Spark 的见解 & 优化 (四)

本贴最后更新于 2108 天前,其中的信息可能已经物是人非

优化

 这里调优主要针对于开发相关的调优见解,参数相关的调优在次不做赘述。

一:广播频繁使用的变量
在 spark 运算中如果有利用 master 表的数据(只读)且数量较大的场景,那么这种场景利用广播该变量来提升性能。

不使用广播变量的场景:
 那么 spark 就会把该数据以网络传输给各个 task,然后每个 task 都有该数据的副本,task 越多,对该数据副本的网络传输也越多,相对应的会加大网络的损耗。副本过多的话也会加大内存的损耗。
使用广播变量的场景:
 那么 spark 就会把该数据的副本以广播的形式缓存到各个节点上,每个节点的所有 task 执行运算时共享该副本,因为每个节点只驻留一份副本,所有内存开销比不用广播变量的要小许多,而且 spark 使用有效的广播算法来分配广播变量,以降低通信成本。

  SparkConf conf = new SparkConf();
  conf.setMaster("local[1]");
  conf.setAppName("test");
  JavaSparkContext jc = new JavaSparkContext(conf);
  Set masters = new HashSet<>();
  masters.add(1);
  masters.add(2);
  masters.add(3);
  List list = new ArrayList<>();
  list.add(1);
  list.add(2);
  list.add(3);
  list.add(4);
  // 广播变量
  Broadcast<Set<Integer>> broadcastVar = jc.broadcast(masters);
  jc.parallelize(list).filter(x->broadcastVar.value().contains(x)?false:true).foreach(x-> System.out.println(x));
 
  结果:
  4

二:mapPartitions 替代 map,foreachPartition 替代 foreach
 不带 partitions 是对应的函数进行转换/遍历所有数据,带 partitions 是对应的函数进行转换/遍历一个分区的数据,优缺点主要有以下几点:
 1)带 partitions 的增加了并行度,对性能有一定的提升
 2)如果要遍历数据往数据库插入数据,每一条数据都执行(创建连接-> 插入数据-> 释放连接)这样的流程的话,性能是十分低下的,而一个分区的数据只使用一个连接,然后批量插入这个分区的数据,最后再释放连接,这种性能上的提升是显著的

  SparkConf conf = new SparkConf();
  conf.setMaster("local[1]");
  conf.setAppName("test");
  JavaSparkContext jc = new JavaSparkContext(conf);
  List<String> list = new ArrayList<>();
  list.add("sql1");
  list.add("sql2");
  list.add("sql3");
  list.add("sql4");
  jc.parallelize(list).foreachPartition(x->{
	// 获取连接
	Connection connection = getConn();
	x.forEachRemaining(x1->{
        connection.prepareStatement(x1);
	});
	// 释放连接
    connection.close();
  });

三:先使用 map 跟 filter 操作对数据结构进行优化跟缩减
 1)数据源最终都会变成一个广范的且有 schema 的对象,如果是计数/去重相关的操作,如果值是无关紧要的,就缩减为 0/1 等,减少内存占用。
 2)做具体的业务之前先看一下是不是所有字段/属性都是必须的,如果有 10 个字段,你只取其中的 3 个字段的话,就尽量把多余的字段/属性给过滤掉。
 3)上面 2 步在层次嵌套较深且数据量大的运算中有很大提升,因为不但减少了内存占用,Shuffle 传输的性能也有提高

  SparkConf conf = new SparkConf();
  conf.setMaster("local[1]");
  conf.setAppName("test");
  JavaSparkContext jc = new JavaSparkContext(conf);
  List<Map<String,Object>> list = new ArrayList<>();
  Map<String,Object>  item = new HashMap<>();
  item.put("a","a1");
  item.put("b","b1");
  item.put("c","c1");
  item.put("d","d1");
  item.put("e","e1");
  list.add(item);
  item = new HashMap<>();
  item.put("a","a11");
  item.put("b","b11");
  item.put("c","c11");
  item.put("d","d11");
  item.put("e","e11");
  item.put("f","e11");
  list.add(item);
  item = new HashMap<>();
  item.put("b","b21");
  item.put("d","d21");
  item.put("e","e21");
  list.add(item);
  // 统计key=a出现的个数
  jc.parallelize(list)
	// 把map的每一条键值对变成多条记录
	.flatMap(x->x.entrySet().iterator())
	// 过滤a以外的key
	.filter(x->"a".equals(x.getKey()))
	// 因为统计key,value从string->int
	.mapToPair(x->new Tuple2<>(x.getKey(),1))
	// 统计
	.reduceByKey((var1,var2)->var1+var2)
	// 遍历
	.foreachPartition(x-> x.forEachRemaining(x1->System.out.println(x1)));
  
  结果:
  (a,2)

四:使用 filter 后进行 coalesce
 如果对 RDD 使用 filter 算子过渡掉较多的数据后,建议使用 coalesce 算子对分区进行缩减操作,使用 coalesce 缩减分区不会产生 Shuffle 操作,适用于数据量较少但分区数较多的场景

  SparkConf conf = new SparkConf();
  conf.setMaster("local[1]");
  conf.setAppName("test");
  JavaSparkContext jc = new JavaSparkContext(conf);
  List<Map<String,Object>> list = new ArrayList<>();
  Map<String,Object>  item = new HashMap<>();
  item.put("a","a1");
  item.put("b","b1");
  item.put("c","c1");
  item.put("d","d1");
  item.put("e","e1");
  list.add(item);
  item = new HashMap<>();
  item.put("a","a11");
  item.put("b","b11");
  item.put("c","c11");
  item.put("d","d11");
  item.put("e","e11");
  item.put("f","e11");
  list.add(item);
  item = new HashMap<>();
  item.put("b","b21");
  item.put("d","d21");
  item.put("e","e21");
  list.add(item);
  // 统计key为a的出现的个数
  JavaRDD, Object>> filter = jc.parallelize(list, 4)
	// 把map的每一条键值对变成多条记录
	.flatMap(x -> x.entrySet().iterator())
	// 过滤a以外的key
	.filter(x -> "a".equals(x.getKey()));
  System.out.println("coalesce前分区数:"+filter.partitions().size());
  // coalesce
  JavaRDD, Object>> coalesce = filter.coalesce(1);
  System.out.println("coalesce后分区数:"+coalesce.partitions().size());
 
  结果:
  coalesce前分区数:4
  coalesce后分区数:1

五:使用 Kryo 进行序列化/反序列化
 spark2.0.0 之前,默认使用的是 java 自带的序列化机制,同时 spark 也支持高性能的 kryo 序列化机制(官方说明比 java 的性能要快 10 倍),但是如果自定义的对象需要在 kryo 进行提前注册才能获得最佳性能。从 spark2.0.0 开始,spark 已经对 kryo 的 github 在这里,大家有兴趣可以自行研究一下。

  // student类
  public class Student {
   private String name;
   private int age;
   private String sex;

   public Student(String name, int age, String sex) {
     this.name = name;
	 this.age = age;
	 this.sex = sex;
   }

   public String getName() {
        return name;
   }

   public void setName(String name) {
        this.name = name;
   }

   public int getAge() {
        return age;
   }

   public void setAge(int age) {
        this.age = age;
   }

   public String getSex() {
        return sex;
   }

   public void setSex(String sex) {
        this.sex = sex;
   }
  }

  // spark示例代码
  SparkConf conf = new SparkConf();
  conf.setMaster("local[1]");
  conf.setAppName("test");
  conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer");
  // conf.registerKryoClasses(new Class[]{Student.class});
  JavaSparkContext jc = new JavaSparkContext(conf);
  List<Student> list = new ArrayList<>();
  for(int i=0;i<1000000;i++){
	list.add(new Student("name_"+i,i,"male"));
  }
  JavaRDD students = jc.parallelize(list);
  // 持久化
  students.persist(StorageLevel.MEMORY_ONLY_SER());
  System.out.println(students.count());
  
  结果:
  使用kryo序列化策略且没有提前注册自定义类的情况下:
  INFO MemoryStore: Block rdd_0_0 stored as bytes in memory (estimated size 28.5 MB, free 883.8 MB)
  使用kryo序列化策略且提前注册自定义类的情况下:
  INFO MemoryStore: Block rdd_0_0 stored as bytes in memory (estimated size 20.9 MB, free 891.4 MB)

六:对多次使用的 RDD 进行持久化
 spark 多次复用 RDD 的原理:每当你对这个 RDD 进行算子操作的时候,spark 都会从源头把这个 RDD 再算出来,然后再对这个 RDD 再进行算子操作,这种情况下,不对这个复用的 RDD 进行持久化操作的话,性能就很差。如果把这个 RDD 持久化到磁盘或者内存后,再针对于这个 RDD 进行算子操作的时候,直接从磁盘或者内存中提取这个 RDD,因为不用再从源头重新计算,这样效率就高了许多。五的示例已经有了持久化的示例,故不再写相关的示例代码。spark 对于持久化的策略有许多种,详细的请参考 org.apache.spark.storage.StorageLevel 这个类
七:尽量避免 Shuffle 算子
 前一篇已经对 Shffle 操作,以及宽窄依赖做了比较详细的说明,所以尽量用非 Shuffle 的算子 + 广播变量等形式来完成业务,这样就可以尽量避免大规模的 IO 操作以及网络传输,可以大大减少性能开销。
八:使用 map-side 预聚合的 shuffle 操作
 如果 Shuffle 算子是不可避免的,那么尽量使用 map-side 预聚合的算子。
 所谓的 map-side 预聚合,就是每个节点都是对相同的 key 进行一次聚合操作,进行 map-side 预聚合后,每个节点都只会留下一个相同的 key,其他节点在拉取相同的 key 的时候,就会大大缩减拉取的数据,从而达到缩减减小 IO 跟网络开销的目的。
 下面以 groupByKey 跟 reduceByKey 进行某个 key 的 sum 统计举例说明:
 groupByKey:

 reduceByKey:

 groupByKey 示例代码:

  SparkConf conf = new SparkConf();
  conf.setMaster("local[1]");
  conf.setAppName("test");
  JavaSparkContext jc = new JavaSparkContext(conf);
  List<Map<String,Integer>> list = new ArrayList<>();
  Map<String,Integer> map = new HashMap<>();
  map.put("yy",1);
  map.put("jj",1);
  map.put("ww",1);
  list.add(map);
  map = new HashMap<>();
  map.put("yy",1);
  list.add(map);
  map = new HashMap<>();
  map.put("yy",1);
  map.put("jj",1);
  list.add(map);
  map = new HashMap<>();
  map.put("yy",1);
  map.put("jj",2);
  list.add(map);
  map = new HashMap<>();
  map.put("jj",1);
  map.put("ww",2);
  list.add(map);
  map = new HashMap<>();
  map.put("ww",1);
  list.add(map);
  jc.parallelize(list)
	// 遍历所有的key
	.flatMap(x -> x.entrySet().iterator())
	// 组成K,V键值对
	.mapToPair(x -> new Tuple2<>(x.getKey(), x.getValue()))
    // groupByKey
	.groupByKey()
    // sum
	.mapValues(x->sum(x)).foreach(x-> System.out.println(x));

  // sum函数
  private static int sum(Iterable integers){
    int sum = 0;
    if(integers != null){
        Iterator iterator = integers.iterator();
	    while (iterator.hasNext()){
            sum += iterator.next();
		}
    }
    return sum;
  } 

 reduceByKey 示例代码:

  SparkConf conf = new SparkConf();
  conf.setMaster("local[1]");
  conf.setAppName("test");
  JavaSparkContext jc = new JavaSparkContext(conf);
  List<Map<String,Integer>> list = new ArrayList<>();
  Map<String,Integer> map = new HashMap<>();
  map.put("yy",1);
  map.put("jj",1);
  map.put("ww",1);
  list.add(map);
  map = new HashMap<>();
  map.put("yy",1);
  list.add(map);
  map = new HashMap<>();
  map.put("yy",1);
  map.put("jj",1);
  list.add(map);
  map = new HashMap<>();
  map.put("yy",1);
  map.put("jj",2);
  list.add(map);
  map = new HashMap<>();
  map.put("jj",1);
  map.put("ww",2);
  list.add(map);
  map = new HashMap<>();
  map.put("ww",1);
  list.add(map);
  jc.parallelize(list)
	// 遍历所有的key
	.flatMap(x -> x.entrySet().iterator())
	// 组成K,V键值对
	.mapToPair(x -> new Tuple2<>(x.getKey(), x.getValue()))
	// reduceByKey
	.reduceByKey((var1,var2)->var1+var2).foreach(x-> System.out.println(x));

 调优相关的官方资料:http://spark.apache.org/docs/latest/tuning.html

上一篇

  • Spark

    Spark 是 UC Berkeley AMP lab 所开源的类 Hadoop MapReduce 的通用并行框架。Spark 拥有 Hadoop MapReduce 所具有的优点;但不同于 MapReduce 的是 Job 中间输出结果可以保存在内存中,从而不再需要读写 HDFS,因此 Spark 能更好地适用于数据挖掘与机器学习等需要迭代的 MapReduce 的算法。

    74 引用 • 46 回帖 • 561 关注

相关帖子

欢迎来到这里!

我们正在构建一个小众社区,大家在这里相互信任,以平等 • 自由 • 奔放的价值观进行分享交流。最终,希望大家能够找到与自己志同道合的伙伴,共同成长。

注册 关于
请输入回帖内容 ...

推荐标签 标签

  • GitBook

    GitBook 使您的团队可以轻松编写和维护高质量的文档。 分享知识,提高团队的工作效率,让用户满意。

    3 引用 • 8 回帖 • 4 关注
  • MyBatis

    MyBatis 本是 Apache 软件基金会 的一个开源项目 iBatis,2010 年这个项目由 Apache 软件基金会迁移到了 google code,并且改名为 MyBatis ,2013 年 11 月再次迁移到了 GitHub。

    170 引用 • 414 回帖 • 383 关注
  • Git

    Git 是 Linux Torvalds 为了帮助管理 Linux 内核开发而开发的一个开放源码的版本控制软件。

    209 引用 • 358 回帖
  • 国际化

    i18n(其来源是英文单词 internationalization 的首末字符 i 和 n,18 为中间的字符数)是“国际化”的简称。对程序来说,国际化是指在不修改代码的情况下,能根据不同语言及地区显示相应的界面。

    8 引用 • 26 回帖
  • Jenkins

    Jenkins 是一套开源的持续集成工具。它提供了非常丰富的插件,让构建、部署、自动化集成项目变得简单易用。

    53 引用 • 37 回帖
  • 数据库

    据说 99% 的性能瓶颈都在数据库。

    338 引用 • 705 回帖
  • RYMCU

    RYMCU 致力于打造一个即严谨又活泼、专业又不失有趣,为数百万人服务的开源嵌入式知识学习交流平台。

    4 引用 • 6 回帖 • 53 关注
  • Latke

    Latke 是一款以 JSON 为主的 Java Web 框架。

    70 引用 • 533 回帖 • 778 关注
  • Ant-Design

    Ant Design 是服务于企业级产品的设计体系,基于确定和自然的设计价值观上的模块化解决方案,让设计者和开发者专注于更好的用户体验。

    17 引用 • 23 回帖
  • 程序员

    程序员是从事程序开发、程序维护的专业人员。

    565 引用 • 3532 回帖
  • 开源中国

    开源中国是目前中国最大的开源技术社区。传播开源的理念,推广开源项目,为 IT 开发者提供了一个发现、使用、并交流开源技术的平台。目前开源中国社区已收录超过两万款开源软件。

    7 引用 • 86 回帖
  • 小薇

    小薇是一个用 Java 写的 QQ 聊天机器人 Web 服务,可以用于社群互动。

    由于 Smart QQ 从 2019 年 1 月 1 日起停止服务,所以该项目也已经停止维护了!

    34 引用 • 467 回帖 • 741 关注
  • 禅道

    禅道是一款国产的开源项目管理软件,她的核心管理思想基于敏捷方法 scrum,内置了产品管理和项目管理,同时又根据国内研发现状补充了测试管理、计划管理、发布管理、文档管理、事务管理等功能,在一个软件中就可以将软件研发中的需求、任务、bug、用例、计划、发布等要素有序的跟踪管理起来,完整地覆盖了项目管理的核心流程。

    6 引用 • 15 回帖 • 127 关注
  • Mobi.css

    Mobi.css is a lightweight, flexible CSS framework that focus on mobile.

    1 引用 • 6 回帖 • 733 关注
  • WebComponents

    Web Components 是 W3C 定义的标准,它给了前端开发者扩展浏览器标签的能力,可以方便地定制可复用组件,更好的进行模块化开发,解放了前端开发者的生产力。

    1 引用 • 2 关注
  • Bootstrap

    Bootstrap 是 Twitter 推出的一个用于前端开发的开源工具包。它由 Twitter 的设计师 Mark Otto 和 Jacob Thornton 合作开发,是一个 CSS / HTML 框架。

    18 引用 • 33 回帖 • 659 关注
  • Firefox

    Mozilla Firefox 中文俗称“火狐”(正式缩写为 Fx 或 fx,非正式缩写为 FF),是一个开源的网页浏览器,使用 Gecko 排版引擎,支持多种操作系统,如 Windows、OSX 及 Linux 等。

    8 引用 • 30 回帖 • 407 关注
  • 996
    13 引用 • 200 回帖 • 2 关注
  • Gitea

    Gitea 是一个开源社区驱动的轻量级代码托管解决方案,后端采用 Go 编写,采用 MIT 许可证。

    4 引用 • 16 回帖
  • Scala

    Scala 是一门多范式的编程语言,集成面向对象编程和函数式编程的各种特性。

    13 引用 • 11 回帖 • 123 关注
  • ZooKeeper

    ZooKeeper 是一个分布式的,开放源码的分布式应用程序协调服务,是 Google 的 Chubby 一个开源的实现,是 Hadoop 和 HBase 的重要组件。它是一个为分布式应用提供一致性服务的软件,提供的功能包括:配置维护、域名服务、分布式同步、组服务等。

    59 引用 • 29 回帖 • 3 关注
  • 正则表达式

    正则表达式(Regular Expression)使用单个字符串来描述、匹配一系列遵循某个句法规则的字符串。

    31 引用 • 94 回帖 • 1 关注
  • OpenShift

    红帽提供的 PaaS 云,支持多种编程语言,为开发人员提供了更为灵活的框架、存储选择。

    14 引用 • 20 回帖 • 623 关注
  • 阿里巴巴

    阿里巴巴网络技术有限公司(简称:阿里巴巴集团)是以曾担任英语教师的马云为首的 18 人,于 1999 年在中国杭州创立,他们相信互联网能够创造公平的竞争环境,让小企业通过创新与科技扩展业务,并在参与国内或全球市场竞争时处于更有利的位置。

    43 引用 • 221 回帖 • 127 关注
  • 一些有用的避坑指南。

    69 引用 • 93 回帖
  • Ubuntu

    Ubuntu(友帮拓、优般图、乌班图)是一个以桌面应用为主的 Linux 操作系统,其名称来自非洲南部祖鲁语或豪萨语的“ubuntu”一词,意思是“人性”、“我的存在是因为大家的存在”,是非洲传统的一种价值观,类似华人社会的“仁爱”思想。Ubuntu 的目标在于为一般用户提供一个最新的、同时又相当稳定的主要由自由软件构建而成的操作系统。

    124 引用 • 169 回帖
  • MongoDB

    MongoDB(来自于英文单词“Humongous”,中文含义为“庞大”)是一个基于分布式文件存储的数据库,由 C++ 语言编写。旨在为应用提供可扩展的高性能数据存储解决方案。MongoDB 是一个介于关系数据库和非关系数据库之间的产品,是非关系数据库当中功能最丰富,最像关系数据库的。它支持的数据结构非常松散,是类似 JSON 的 BSON 格式,因此可以存储比较复杂的数据类型。

    90 引用 • 59 回帖 • 4 关注