Spark 开发总结

前言

大数据开发过程中把自己积累的关于Spark的使用方法记录下来，便于不断的回顾和总结

spark UI

Spark API Function

Window.partitionBy

window 窗口函数在一组行(frame)上面执行计算，通过aggregate/window 函数给每行返回一个新的值，本质上按某个属性划分partition，在对每个partition进行聚合，使用的场景是计算每个partition中某个属性的平均值，总和，或者转化成集合；

overCategory = Window.partitionBy("depName").orderBy(desc("salary"))
df = empsalary.withColumn("salaries",collect_list("salary").over(overCategory))
.withColumn("average_salary",(avg("salary").over(overCategory)).cast("int"))
.withColumn("total_salary",sum("salary").over(overCategory))
.select("depName","empNo","name","salary","salaries","average_salary","total_salary")
df.show(20,False)

如数据集empsalary


输出结果：

注意：
spark函数中，只有Aggregate Functions 能够和 Window Functions搭配使用，其他类别的函数不能应用于Spark Window中，例如下面的一个例子，使用了函数array_contains，（collection functions的一种），spark会报错

overCategory = Window.partitionBy("depName")

df = empsalary.withColumn(
"average_salary_in_dep",array_contains(col("hobby"),"game").over(overCategory)).withColumn("total_salary_in_dep",sum("salary").over(overCategory))
df.show()
## pyspark.sql.functions.array_contains(col,value)
## Collection 函数，return True if the array contains the given value.The collection elements and value must be of the same type
df = spark.createDataFrame([(['a', 'b', 'c'],),([],)],['data'])
df.select(array_contains(df.data,'a')).collect()
[Row(array_contains(data,a) = True,Row(array_contains(data,a) = False)]

参考：https://knockdata.github.io/spark-window-function-pyspark/

Spark udf

// 对于array<struct>类型的column 执行 udf(array<struct> => array<struct>) 返回结果仍是array<struct>的情况下，需要声明schema类型
val tmpschema = tmpadEffect.schema("crowd_dimen_group").dataType
val tmpcrowdDimensFilter = udf((crowd_dimen_groups: Seq[Row]) => {
      crowd_dimen_groups.filter(x => x.getAs[String]("frontend_dimension_id") == "306931917")
    }, tmpschema)

Spark 中禁止使用return

太头疼了，只能用if else , 代码不美观，后续有时间找找比较好的编码方式

Spark NullPointException

Spark开发中经常因为NullPointException问题导致整个任务失败不断重试，浪费大量时间；
最有效的解决方法是：
1、先尽量分步骤保存各阶段运行结果；
2、在上一步结果的基础上，不断来定位产生NullPointException的原因；
3、不要心怀侥幸，觉得随便加个判空就能解决问题，避免因判空不生效导致不断重试；
4、根据NullPoint的变量检查对应的DataFrame是否包含空值，然后添加过滤条件；

Spark Shuffle FetchFailedException

shuffle分为shuffle write和shuffle read两部分。
shuffle write的分区数由上一阶段的RDD分区数控制，shuffle read的分区数则是由Spark提供的一些参数控制。

shuffle write可以简单理解为类似于saveAsLocalDiskFile的操作，将计算的中间结果按某种规则临时放到各个executor所在的本地磁盘上。

shuffle read的时候数据的分区数则是由spark提供的一些参数控制。可以想到的是，如果这个参数值设置的很小，同时shuffle read的量很大，那么将会导致一个task需要处理的数据非常大。结果导致JVM crash，从而导致取shuffle数据失败，同时executor也丢失了，看到Failed to connect to host的错误，也就是executor lost的意思。有时候即使不会导致JVM crash也会造成长时间的gc。

解决办法
知道原因后问题就好解决了，主要从shuffle的数据量和处理shuffle数据的分区数两个角度入手。

减少shuffle数据

思考是否可以使用map side join或是broadcast join来规避shuffle的产生。

将不必要的数据在shuffle前进行过滤，比如原始数据有20个字段，只要选取需要的字段进行处理即可，将会减少一定的shuffle数据。

SparkSQL和DataFrame的join,group by等操作

通过spark.sql.shuffle.partitions控制分区数，默认为200，根据shuffle的量以及计算的复杂度提高这个值。

Rdd的join,groupBy,reduceByKey等操作

通过spark.default.parallelism控制shuffle read与reduce处理的分区数，默认为运行任务的core的总数（mesos细粒度模式为8个，local模式为本地的core总数），官方建议为设置成运行任务的core的2-3倍。

提高executor的内存

通过spark.executor.memory适当提高executor的memory值。

是否存在数据倾斜的问题

空值是否已经过滤？异常数据（某个key数据特别大）是否可以单独处理？考虑改变数据分区规则。

spark 数据倾斜

• 提高shuffle并行度：增大shuffle read task参数值，让每个task处理比原来更少的数据；适应所有场景，简单有效可作为首选方案，缺点是缓解的效果有限；对于group,join shuffle类语句，可以通过设置spark.sql.shuffle.partitions来调整并发；
• 两阶段聚合：适用于groupbykey分组聚合，reducebykey等shuffle算子，思路：首先通过map给每个key打上n以内的随机数前缀进行局部聚合，并进行reducebykey的局部聚合，然后再次map将key的前缀随机数去掉再次进行全局聚合；可以让整个过程中原本一个task处理的数据分摊到多个task做局部聚合，规避单task数据过量，缺点是仅适用于聚合类的Shuffle操作，无法适用于join类的shuffle操作
• 广播broadcast: 对RDD或Spark SQL使用join类操作或语句，且join操作的RDD比较小（百兆或1,2G）；使用broadcast和map类算子实现join的功能替代原本的join，彻底规避shuffle。对较小RDD直接collect到内存，并创建broadcast变量；并对另外一个RDD执行map类算子，在该算子的函数中，从broadcast变量（collect出的较小RDD）与当前RDD中的每条数据依次比对key，相同的key执行你需要方式的join；
• 采样倾斜key拆分join：适用于两个表都很大，但大key占比很小；对join导致的倾斜是因为某几个key，可将原本RDD中的倾斜key从原RDD拆分出来得到新RDD，并以加随机前缀的方式打散n份做join，将倾斜key对应的大量数据分摊到更多task上来规避倾斜；不适用于大量倾斜key;
• 随机前缀加扩容RDD进行join：适用场景：RDD中有大量key导致倾斜
  • 1.首先查看RDD/Hive表中数据分布并找到造成倾斜的RDD/表；
  • 2.对倾斜RDD中的每条数据打上n以内的随机数前缀；
  • 3.对另外一个正常RDD的每条数据扩容n倍，扩容出的每条数据依次打上0到n的前缀；
  • 4.对处理后的两个RDD进行join。与采样倾斜key方案不同在于这里对不倾斜RDD中所有数据进行扩大n倍，而不是找出倾斜key进行扩容, 效果非常显著；缺点是扩容需要大内存
• 实际中需要结合业务全盘考虑，可先提升Shuffle的并行度，最后针对数据分布选择后面方案中的一种或多种灵活应用。