Spark性能优化指南—— shuffle调优

时间 2019-12-06 标签 spark 性能优化指南 shuffle

大多数Spark做业的性能主要就是消耗在了shuffle环节，由于该环节包含了大量的磁盘IO、序列化、网络数据传输等操做。所以，若是要让做业的性能更上一层楼，就有必要对shuffle过程进行调优。可是也必须提醒你们的是，影响一个Spark做业性能的因素，主要仍是代码开发、资源参数以及数据倾斜，shuffle调优只能在整个Spark的性能调优中占到一小部分而已。所以你们务必把握住调优的基本原则，千万不要舍本逐末。下面咱们就给你们详细讲解shuffle的原理，以及相关参数的说明，同时给出各个参数的调优建议。算法

#ShuffleManager发展概述
在Spark的源码中，负责shuffle过程的执行、计算和处理的组件主要就是ShuffleManager，也即shuffle管理器。而随着Spark的版本的发展，ShuffleManager也在不断迭代，变得愈来愈先进。网络

在Spark 1.2之前，默认的shuffle计算引擎是HashShuffleManager。该ShuffleManager而HashShuffleManager有着一个很是严重的弊端，就是会产生大量的中间磁盘文件，进而由大量的磁盘IO操做影响了性能。数据结构

所以在Spark 1.2之后的版本中，默认的ShuffleManager改为了SortShuffleManager。SortShuffleManager相较于HashShuffleManager来讲，有了必定的改进。主要就在于，每一个Task在进行shuffle操做时，虽然也会产生较多的临时磁盘文件，可是最后会将全部的临时文件合并（merge）成一个磁盘文件，所以每一个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉取本身的数据时，只要根据索引读取每一个磁盘文件中的部分数据便可。ide

下面咱们详细分析一下HashShuffleManager和SortShuffleManager的原理。性能

#HashShuffleManager运行原理大数据

##未经优化的HashShuffleManager优化

下图说明了未经优化的HashShuffleManager的原理。这里咱们先明确一个假设前提：每一个Executor只有1个CPU core，也就是说，不管这个Executor上分配多少个task线程，同一时间都只能执行一个task线程。spa

咱们先从shuffle write开始提及。shuffle write阶段，主要就是在一个stage结束计算以后，为了下一个stage能够执行shuffle类的算子（好比reduceByKey），而将每一个task处理的数据按key进行“分类”。所谓“分类”，就是对相同的key执行hash算法，从而将相同key都写入同一个磁盘文件中，而每个磁盘文件都只属于下游stage的一个task。在将数据写入磁盘以前，会先将数据写入内存缓冲中，当内存缓冲填满以后，才会溢写到磁盘文件中去。线程

那么每一个执行shuffle write的task，要为下一个stage建立多少个磁盘文件呢？很简单，下一个stage的task有多少个，当前stage的每一个task就要建立多少份磁盘文件。好比下一个stage总共有100个task，那么当前stage的每一个task都要建立100份磁盘文件。若是当前stage有50个task，总共有10个Executor，每一个Executor执行5个Task，那么每一个Executor上总共就要建立500个磁盘文件，全部Executor上会建立5000个磁盘文件。因而可知，未经优化的shuffle write操做所产生的磁盘文件的数量是极其惊人的。排序

接着咱们来讲说shuffle read。shuffle read，一般就是一个stage刚开始时要作的事情。此时该stage的每个task就须要将上一个stage的计算结果中的全部相同key，从各个节点上经过网络都拉取到本身所在的节点上，而后进行key的聚合或链接等操做。因为shuffle write的过程当中，task给下游stage的每一个task都建立了一个磁盘文件，所以shuffle read的过程当中，每一个task只要从上游stage的全部task所在节点上，拉取属于本身的那一个磁盘文件便可。

shuffle read的拉取过程是一边拉取一边进行聚合的。每一个shuffle read task都会有一个本身的buffer缓冲，每次都只能拉取与buffer缓冲相同大小的数据，而后经过内存中的一个Map进行聚合等操做。聚合完一批数据后，再拉取下一批数据，并放到buffer缓冲中进行聚合操做。以此类推，直到最后将全部数据到拉取完，并获得最终的结果。

##优化后的HashShuffleManager

下图说明了优化后的HashShuffleManager的原理。这里说的优化，是指咱们能够设置一个参数，spark.shuffle.consolidateFiles。该参数默认值为false，将其设置为true便可开启优化机制。一般来讲，若是咱们使用HashShuffleManager，那么都建议开启这个选项。

开启consolidate机制以后，在shuffle write过程当中，task就不是为下游stage的每一个task建立一个磁盘文件了。此时会出现shuffleFileGroup的概念，每一个shuffleFileGroup会对应一批磁盘文件，磁盘文件的数量与下游stage的task数量是相同的。一个Executor上有多少个CPU core，就能够并行执行多少个task。而第一批并行执行的每一个task都会建立一个shuffleFileGroup，并将数据写入对应的磁盘文件内。

当Executor的CPU core执行完一批task，接着执行下一批task时，下一批task就会复用以前已有的shuffleFileGroup，包括其中的磁盘文件。也就是说，此时task会将数据写入已有的磁盘文件中，而不会写入新的磁盘文件中。所以，consolidate机制容许不一样的task复用同一批磁盘文件，这样就能够有效将多个task的磁盘文件进行必定程度上的合并，从而大幅度减小磁盘文件的数量，进而提高shuffle write的性能。

假设第二个stage有100个task，第一个stage有50个task，总共仍是有10个Executor，每一个Executor执行5个task。那么本来使用未经优化的HashShuffleManager时，每一个Executor会产生500个磁盘文件，全部Executor会产生5000个磁盘文件的。可是此时通过优化以后，每一个Executor建立的磁盘文件的数量的计算公式为：CPU core的数量 * 下一个stage的task数量。也就是说，每一个Executor此时只会建立100个磁盘文件，全部Executor只会建立1000个磁盘文件。

#SortShuffleManager运行原理

SortShuffleManager的运行机制主要分红两种，一种是普通运行机制，另外一种是bypass运行机制。当shuffle read task的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数的值时（默认为200），就会启用bypass机制。

##普通运行机制

下图说明了普通的SortShuffleManager的原理。在该模式下，数据会先写入一个内存数据结构中，此时根据不一样的shuffle算子，可能选用不一样的数据结构。若是是reduceByKey这种聚合类的shuffle算子，那么会选用Map数据结构，一边经过Map进行聚合，一边写入内存；若是是join这种普通的shuffle算子，那么会选用Array数据结构，直接写入内存。接着，每写一条数据进入内存数据结构以后，就会判断一下，是否达到了某个临界阈值。若是达到临界阈值的话，那么就会尝试将内存数据结构中的数据溢写到磁盘，而后清空内存数据结构。

在溢写到磁盘文件以前，会先根据key对内存数据结构中已有的数据进行排序。排序事后，会分批将数据写入磁盘文件。默认的batch数量是10000条，也就是说，排序好的数据，会以每批1万条数据的形式分批写入磁盘文件。写入磁盘文件是经过Java的BufferedOutputStream实现的。BufferedOutputStream是Java的缓冲输出流，首先会将数据缓冲在内存中，当内存缓冲满溢以后再一次写入磁盘文件中，这样能够减小磁盘IO次数，提高性能。

一个task将全部数据写入内存数据结构的过程当中，会发生屡次磁盘溢写操做，也就会产生多个临时文件。最后会将以前全部的临时磁盘文件都进行合并，这就是merge过程，此时会将以前全部临时磁盘文件中的数据读取出来，而后依次写入最终的磁盘文件之中。此外，因为一个task就只对应一个磁盘文件，也就意味着该task为下游stage的task准备的数据都在这一个文件中，所以还会单独写一份索引文件，其中标识了下游各个task的数据在文件中的start offset与end offset。

SortShuffleManager因为有一个磁盘文件merge的过程，所以大大减小了文件数量。好比第一个stage有50个task，总共有10个Executor，每一个Executor执行5个task，而第二个stage有100个task。因为每一个task最终只有一个磁盘文件，所以此时每一个Executor上只有5个磁盘文件，全部Executor只有50个磁盘文件。

##bypass运行机制下图说明了bypass SortShuffleManager的原理。bypass运行机制的触发条件以下：

shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值。
不是聚合类的shuffle算子（好比reduceByKey）。

此时task会为每一个下游task都建立一个临时磁盘文件，并将数据按key进行hash而后根据key的hash值，将key写入对应的磁盘文件之中。固然，写入磁盘文件时也是先写入内存缓冲，缓冲写满以后再溢写到磁盘文件的。最后，一样会将全部临时磁盘文件都合并成一个磁盘文件，并建立一个单独的索引文件。

该过程的磁盘写机制其实跟未经优化的HashShuffleManager是如出一辙的，由于都要建立数量惊人的磁盘文件，只是在最后会作一个磁盘文件的合并而已。所以少许的最终磁盘文件，也让该机制相对未经优化的HashShuffleManager来讲，shuffle read的性能会更好。

而该机制与普通SortShuffleManager运行机制的不一样在于：第一，磁盘写机制不一样；第二，不会进行排序。也就是说，启用该机制的最大好处在于，shuffle write过程当中，不须要进行数据的排序操做，也就节省掉了这部分的性能开销。

#shuffle相关参数调优
如下是Shffule过程当中的一些主要参数，这里详细讲解了各个参数的功能、默认值以及基于实践经验给出的调优建议。
spark.shuffle.file.buffer

默认值：32k
参数说明：该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小。将数据写到磁盘文件以前，会先写入buffer缓冲中，待缓冲写满以后，才会溢写到磁盘。
调优建议：若是做业可用的内存资源较为充足的话，能够适当增长这个参数的大小（好比64k），从而减小shuffle write过程当中溢写磁盘文件的次数，也就能够减小磁盘IO次数，进而提高性能。在实践中发现，合理调节该参数，性能会有1%~5%的提高。

spark.reducer.maxSizeInFlight

默认值：48m
参数说明：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次可以拉取多少数据。
调优建议：若是做业可用的内存资源较为充足的话，能够适当增长这个参数的大小（好比96m），从而减小拉取数据的次数，也就能够减小网络传输的次数，进而提高性能。在实践中发现，合理调节该参数，性能会有1%~5%的提高。

spark.shuffle.io.maxRetries

默认值：3
参数说明：shuffle read task从shuffle write task所在节点拉取属于本身的数据时，若是由于网络异常致使拉取失败，是会自动进行重试的。该参数就表明了能够重试的最大次数。若是在指定次数以内拉取仍是没有成功，就可能会致使做业执行失败。
调优建议：对于那些包含了特别耗时的shuffle操做的做业，建议增长重试最大次数（好比60次），以免因为JVM的full gc或者网络不稳定等因素致使的数据拉取失败。在实践中发现，对于针对超大数据量（数十亿~上百亿）的shuffle过程，调节该参数能够大幅度提高稳定性。

spark.shuffle.io.retryWait

默认值：5s
参数说明：具体解释同上，该参数表明了每次重试拉取数据的等待间隔，默认是5s。
调优建议：建议加大间隔时长（好比60s），以增长shuffle操做的稳定性。

spark.shuffle.memoryFraction

默认值：0.2
参数说明：该参数表明了Executor内存中，分配给shuffle read task进行聚合操做的内存比例，默认是20%。
调优建议：在资源参数调优中讲解过这个参数。若是内存充足，并且不多使用持久化操做，建议调高这个比例，给shuffle read的聚合操做更多内存，以免因为内存不足致使聚合过程当中频繁读写磁盘。在实践中发现，合理调节该参数能够将性能提高10%左右。

spark.shuffle.manager

默认值：sort
参数说明：该参数用于设置ShuffleManager的类型。Spark 1.5之后，有三个可选项：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2之前的默认选项，可是Spark 1.2以及以后的版本默认都是SortShuffleManager了。tungsten-sort与sort相似，可是使用了tungsten计划中的堆外内存管理机制，内存使用效率更高。
调优建议：因为SortShuffleManager默认会对数据进行排序，所以若是你的业务逻辑中须要该排序机制的话，则使用默认的SortShuffleManager就能够；而若是你的业务逻辑不须要对数据进行排序，那么建议参考后面的几个参数调优，经过bypass机制或优化的HashShuffleManager来避免排序操做，同时提供较好的磁盘读写性能。这里要注意的是，tungsten-sort要慎用，由于以前发现了一些相应的bug。

spark.shuffle.sort.bypassMergeThreshold

默认值：200
参数说明：当ShuffleManager为SortShuffleManager时，若是shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程当中不会进行排序操做，而是直接按照未经优化的HashShuffleManager的方式去写数据，可是最后会将每一个task产生的全部临时磁盘文件都合并成一个文件，并会建立单独的索引文件。
调优建议：当你使用SortShuffleManager时，若是的确不须要排序操做，那么建议将这个参数调大一些，大于shuffle read task的数量。那么此时就会自动启用bypass机制，map-side就不会进行排序了，减小了排序的性能开销。可是这种方式下，依然会产生大量的磁盘文件，所以shuffle write性能有待提升。

spark.shuffle.consolidateFiles

默认值：false
参数说明：若是使用HashShuffleManager，该参数有效。若是设置为true，那么就会开启consolidate机制，会大幅度合并shuffle write的输出文件，对于shuffle read task数量特别多的状况下，这种方法能够极大地减小磁盘IO开销，提高性能。
调优建议：若是的确不须要SortShuffleManager的排序机制，那么除了使用bypass机制，还能够尝试将spark.shffle.manager参数手动指定为hash，使用HashShuffleManager，同时开启consolidate机制。在实践中尝试过，发现其性能比开启了bypass机制的SortShuffleManager要高出10%~30%。