【转】spark ui 简介

[看图说话] 基于Spark UI性能优化与调试——初级篇

Spark有几种部署的模式，单机版、集群版等等，平时单机版在数据量不大的时候能够跟传统的java程序同样进行断电调试、可是在集群上调试就比较麻烦了...远程断点不太方便，只能经过Log的形式进行数据分析，利用spark ui作性能调整和优化。
那么本篇就介绍下如何利用Ui作性能分析，由于本人的经验也不是很丰富，因此只能做为一个入门的介绍。

大致上会按照下面的思路进行讲解：

怎么访问Spark UI
SparkUI能看到什么东西？job,stage,storage,environment,excutors
调优的一些经验总结
Spark UI入口

若是是单机版本，在单机调试的时候输出信息中已经提示了UI的入口：

17/02/26 13:55:48 INFO SparkEnv: Registering OutputCommitCoordinator
17/02/26 13:55:49 INFO Utils: Successfully started service 'SparkUI' on port 4040.
17/02/26 13:55:49 INFO SparkUI: Started SparkUI at http://192.168.1.104:4040
17/02/26 13:55:49 INFO Executor: Starting executor ID driver on host localhost
单机调试的时候，能够直接登录：http://192.168.1.104:4040

若是是集群模式，能够经过Spark日志服务器xxxxx:18088者yarn的UI进入到应用xxxx:8088,进入相应的Spark UI界面。

主页介绍

上面就是Spark的UI主页，首先进来能看到的是Spark当前应用的job页面，在上面的导航栏：

1 表明job页面，在里面能够看到当前应用分析出来的全部任务，以及全部的excutors中action的执行时间。
2 表明stage页面，在里面能够看到应用的全部stage，stage是按照宽依赖来区分的，所以粒度上要比job更细一些
3 表明storage页面，咱们所作的cache persist等操做，都会在这里看到，能够看出来应用目前使用了多少缓存
4 表明environment页面，里面展现了当前spark所依赖的环境，好比jdk,lib等等
5 表明executors页面，这里能够看到执行者申请使用的内存以及shuffle中input和output等数据
6 这是应用的名字，代码中若是使用setAppName，就会显示在这里
7 是job的主页面。
模块讲解

下面挨个介绍一下各个页面的使用方法和实践，为了方便分析，我这里直接使用了分布式计算里面最经典的helloworld程序——WordCount,这个程序用于统计某一段文本中一个单词出现的次数。原始的文本以下:

for the shadow of lost knowledge at least protects you from many illusions
上面这句话是有一次逛知乎，一个标题为 读那么多书，最后也没记住多少，还为何读书？其中有一个回复，引用了上面的话，也是我最喜欢的一句。意思是：“知识，哪怕是知识的幻影，也会成为你的铠甲，保护你不被愚昧反噬”（来自知乎——《为何读书？》）

程序代码以下：

public static void main(String[] args) throws InterruptedException {

SparkConf sparkConf = new SparkConf();
    sparkConf.setMaster("local[2]");
    sparkConf.setAppName("test-for-spark-ui");
    JavaSparkContext sc = new JavaSparkContext(sparkConf);

    //知识，哪怕是知识的幻影，也会成为你的铠甲，保护你不被愚昧反噬。
    JavaPairRDD<String,Integer> counts = sc.textFile( "C:\\Users\\xinghailong\\Desktop\\你为何要读书.txt" )
            .flatMap(line -> Arrays.asList(line.split(" ")))
            .mapToPair(s -> new Tuple2<String,Integer>(s,1))
            .reduceByKey((x,y) -> x+y);

    counts.cache();
    List<Tuple2<String,Integer>> result = counts.collect();
    for(Tuple2<String,Integer> t2 : result){
        System.out.println(t2._1+" : "+t2._2);
    }
    sc.stop();

}
这个程序首先建立了SparkContext，而后读取文件，先使用 进行切分，再把每一个单词转换成二元组，再根据key进行累加，最后输出打印。为了测试storage的使用，我这对计算的结果添加了缓存。

job页面

主页能够分为两部分，一部分是event timeline，另外一部分是进行中和完成的job任务。

第一部分event timeline展开后，能够看到executor建立的时间点，以及某个action触发的算子任务，执行的时间。经过这个时间图，能够快速的发现应用的执行瓶颈，触发了多少个action。

第二部分的图表，显示了触发action的job名字，它一般是某个count,collect等操做。有spark基础的人都应该知道，在spark中rdd的计算分为两类，一类是transform转换操做，一类是action操做，只有action操做才会触发真正的rdd计算。具体的有哪些action能够触发计算，能够参考api。collect at test2.java:27描述了action的名字和所在的行号，这里的行号是精准匹配到代码的，因此经过它能够直接定位到任务所属的代码，这在调试分析的时候是很是有帮助的。Duration显示了该action的耗时，经过它也能够对代码进行专门的优化。最后的进度条，显示了该任务失败和成功的次数，若是有失败的就须要引发注意，由于这种状况在生产环境可能会更广泛更严重。点击能进入该action具体的分析页面，能够看到DAG图等详细信息。

stage页面

在Spark中job是根据action操做来区分的，另外任务还有一个级别是stage，它是根据宽窄依赖来区分的。

窄依赖是指前一个rdd计算能出一个惟一的rdd，好比map或者filter等；宽依赖则是指多个rdd生成一个或者多个rdd的操做，好比groupbykey reducebykey等，这种宽依赖一般会进行shuffle。

所以Spark会根据宽窄依赖区分stage，某个stage做为专门的计算，计算完成后，会等待其余的executor，而后再统一进行计算。

stage页面的使用基本上跟job相似，不过多了一个DAG图。这个DAG图也叫做血统图，标记了每一个rdd从建立到应用的一个流程图，也是咱们进行分析和调优很重要的内容。好比上面的wordcount程序，就会触发acton，而后生成一段DAG图：

从这个图能够看出，wordcount会生成两个dag，一个是从读数据到切分到生成二元组，第二个进行了reducebykey，产生shuffle。

点击进去还能够看到详细的DAG图，鼠标移到上面，能够看到一些简要的信息。

storage页面

storage页面能看出目前使用的缓存，点击进去能够看到具体在每一个机器上，使用的block的状况。

environment页面

这个页面通常不太用，由于环境基本上不会有太多差别的，不用时刻关注它。

excutors页面

这个页面比较经常使用了，一方面经过它能够看出来每一个excutor是否发生了数据倾斜，另外一方面能够具体分析目前的应用是否产生了大量的shuffle，是否能够经过数据的本地性或者减少数据的传输来减小shuffle的数据量。

调优的经验总结

1 输出信息

在Spark应用里面能够直接使用System.out.println把信息输出出来，系统会直接拦截out输出到spark的日志。像咱们使用的yarn做为资源管理系统，在yarn的日志中就能够直接看到这些输出信息了。这在数据量很大的时候，作一些show()（默认显示20），count() 或者 take(10)的时候会很方便。

2 内存不够

当任务失败，收到sparkContext shutdown的信息时，基本都是执行者的内存不够。这个时候，一方面能够调大--excutor-memory参数，另外一方面仍是得回去看看程序。若是受限于系统的硬件条件，没法加大内存，能够采用局部调试法，检查是在哪里出现的内存问题。好比，你的程序分红几个步骤，一步一步的打包运行，最后检查出现问题的点就能够了。

3 ThreadPool

线程池不够，这个是由于--excutor-core给的太少了，出现线程池不够用的状况。这个时候就须要调整参数的配置了。

4 physical memory不够

这种问题通常是driver memory不够致使的，driver memory一般存储了以一些调度方面的信息，这种状况颇有多是你的调度过于复杂，或者是内部死循环致使。

5 合理利用缓存

在Spark的计算中，不太建议直接使用cache，万一cache的量很大，可能致使内存溢出。能够采用persist的方式，指定缓存的级别为MEMORY_AND_DISK,这样在内存不够的时候，能够把数据缓存到磁盘上。另外，要合理的设计代码，恰当地使用广播和缓存，广播的数据量太大会对传输带来压力，缓存过多未及时释放，也会致使内存占用。通常来讲，你的代码在须要重复使用某一个rdd的时候，才须要考虑进行缓存，而且在不使用的时候，要及时unpersist释放。

6 尽可能避免shuffle

这个点，在优化的过程当中是很重要的。好比你须要把两个rdd按照某个key进行groupby，而后在进行leftouterjoin，这个时候必定要考虑大小表的问题。若是把大表关联到小表，那么性能极可能会很惨。而只须要简单的调换一下位置，性能就可能提高好几倍。

写在最后

大数据计算老是充满了各类神奇的色彩，节点之间的分布式，单节点内多线程的并行化，只有多去了解一些原理性的东西，才能用好这些工具。

最后仍是献上最喜欢的那句话——知识，哪怕是知识的幻影，也会成为你的铠甲，保护你不被愚昧反噬。