【spark系列13】spark logicalplan-spark sql caching 的最佳实践

背景

本文翻译自Best practices for caching in Spark SQL,该文章也是对学习spark SQL逻辑计划的同学应该关注的很好的细节点

译文

深入理解spark的数据持久化
David Vrba 2020.7.20
在spark sql中，数据缓存是重利用计算的一种常见的技术，通过复用同一种数据，能够加速查询，但是如果想实现性能优化，这里也有些应该注意的细节。在这篇文章中，我们来分析一下spark 缓存内部的运行机制，揭开跟spark数据持久化的神秘面纱

使用DataFrame API

在DataFrame API中，有两种函数能够用于缓存一个dataframe,cache()和persis()

df.cache() #see in pyspark docs 
df.persist()

他们几乎是相等的，不同的是persist有个可选的参数storageLevel，该参数可以指定数据存储在哪里，默认情况下是MEMORY_AND_DISK，数据先会存储在内存中，如果内存满了，将会存储到磁盘，这里可以查看其他的存储级别
缓存是一种延迟的transformation，因此调用该函数什么都不会改变，但是改逻辑计划会增加一种操作-InMemoryRelation，所以只有当其他的action被调用的时候，这个InMemoryRelation才会被query exection用到，如果对应的数据存在，spark将会从缓存层读取。如果读取不到，则spark会缓存该数据，以便后续操作复用。

Cache Manager

Cache manager用来追踪记录对于当前查询计划哪些计算已经被缓存了。当缓存函数被调用的时候，Cache Manager被直接调用,并且把被调用的dataFrame从逻辑计划中脱离出来，从而储存在名为cachedData的顺序结构中

cache manager阶段是逻辑计划的一部分，作用在sql分析器之后，sql优化器之前。

当我们触发一个query的时候，查询计划将会被处理以及转化，在处理到cachemanager阶段（在优化阶段之前）的时候,spark将会检查分析计划的每个子计划是否存储在cachedData里。如果存在，则说明同样的计划已经被执行过了，所以可以重新使用该缓存，并且使用InMemoryRelation操作来标示该缓存的计划。InMemoryRelation将在物理计划阶段转换为InMemoryTableScan

df = spark.table("users").filer(col(col_name) > x).cache  
df.count() # now check the query plan in Spark UI

从以上图片我们看到一个使用缓存的图形字符代表的查询。为了能够看到是什么转换被缓存，你需要进一步查看一下该计划的字符串，因为从图形表示并不能看出什么

Basic example

我们来用一个例子更好的理解Cache Manager的工作原理：

df = spark.read.parquet(data_path)
df.select(col1, col2).filer(col2 > 0).cache()

看一下下面三种查询，那个语句将会复用缓存数据：

1) df.filter(col2 > 0).select(col1, col2)
2) df.select(col1, col2).filter(col2 > 10)
3) df.select(col1).filter(col2 > 0)

最主要的因素是分析计划。如果和缓存的分析计划是一致的话，对于语句1，你可能会说该计划和缓存的计划是一致的，因为filter会被优化器下推。但是实际这个解释是不精确的。有一点很重要，那就是Cache Manager阶段发生在优化器之前，优化之后的计划可能一样，但是分析计划不一样，所以对于语句1来说是不会复用缓存的，因为分析计划不一样
对于语句2，你可能又要说会复用，因为该filter比缓存语句的filrer限制更严格。我们看看缓存的查询数据，因为分析计划不一样，所以spark也不会复用改查询数据，因为这次是过滤条件不一样,如果想要使用查询的数据，我们做一下修改：

df.select(col1, col2).filter(col2 > 0).filter(col2 > 0)

咋一看，col2 > 0的过滤条件似乎没用，但是该部分分析计划和缓存的计划是相等的，所以Cache Manager能够使用InMemoryRelation

对于查询语句3，咋一看好像和缓存的分析计划也是不一样的，因为查询语句都不一样–我们只查询了col1列。过滤条件使用的是col2，而该col1列并不在查询语句中，因此分析器将会调用ResolveMissingRefecences规则，就会将col2增加到查询语句中，因此语句3最终的分析计划和缓存的计划是一样的，所以会复用缓存计划

Best practices

我们列举了一些跟缓存相关的准则:

• 当缓存一个DataFrame的时候，创建一个新的变量cacheDF = df.cache()。这个将会避开我们刚才所说的那个问题，有时候分析计划并不是很直观，并不知道实际缓存计划是什么。当你调用cacheDF.select(…)，他就会复用改缓存的数据
• 使用cacheDF.unpersist()释放不用的缓存的计划。如果缓存层满了的话，spark将会使用最近最少使用的原则进行驱逐数据。因此使用unpersist()去控制哪些数据应该被驱逐是推荐的选项，当然，内存剩余空间越大，spark能使用的计算内存就越大，如构建hash maps 等等
• 在缓存之前，确保只缓存你需要的部分数据，例如，假如第一查询中将使用(col1, col2, col3),第二个查询将使用(col2, col3, col4).选择这些列的超集：cacheDF = df.select(col1, col2, col3, col4).cache()。 而如果是调用cacheDF = df.cache(),且df包含了很多列，这样的话就只有小部分列被用到，这样就不是很有效率
• 使用有意义的缓存，也就是说缓存的计算能够被使用多次，因为把缓存的计算放到内存中会涉及到overhead，所以在某些场景下，就如以下会提到的，重新跑计算可能更快

Faster than caching

某些情况下，缓存并不能提高效率，反而会降低执行的效率。这是跟是否是基于大数据集的列文件格式有关的，这些支持列裁剪以及谓词下推，如parquet格式。我们举例如下，我们缓存了整个数据集，然后进行查询，我们使用如下的数据以及集群配置：

dataset size: 14.3GB in compressed parquet sitting on S3
cluster size: 2 workers c5.4xlarge (32 cores together)
platform: Databricks (runtime 6.6 wit Spark 2.4.5)

首先，我们测试一下没有缓存下的执行时间：

df = spark.table(table_name)
df.count() #   runs 7.9s
df.filter(col("id") > xxx).count() # runs 18.2s

现在，使用缓存运行同样的查询（整个数据并不缓存在内存中，30%的缓存在磁盘）

df = spark.table(table_name).cache()
# this count will take long because it is putting data to memory
df.count() # runs 1.28min
df.count() # runs 14s
df.filter(col("id") > xxx).count() # runs 20.6s

第一次count() 花费了1.3min，因为这里有把数据放进内存的开销。然而，第二个conut()和带有过两次的count()花费了比不带缓存的更长的时间。这主要有两个原因：第一个是parquet文件的属性–基于parquet top的查询比基于自身要快。在读parqut的时候，spark将只会读取文件的元数据而去得到count的值，而不需要去遍历整个数据集。对于带有过滤的查询，spark将会使用列裁剪，只会遍历id列。而当我们从缓存中读取数据的时候，spark将会读取整个数据集。这可以从spark ui上可以看到。
第二个原因是数据集很大，并不是全部在RAM中，部分数据储存在磁盘，从磁盘读取数据比从RAM中慢很多

Caching in SQL

如果你更倾向于使用sql而不是DataFrame DSL的话，你仍然可以使用缓存，但是这个是有不同的：

spark.sql("cache table table_name")

最主要的不同点在于使用sql进行缓存是立马执行的。但是我们可以使用lazy关键字：

spark.sql("cache lazy table table_name")

如果要移除缓存，仅仅如下调用:

spark.sql("uncache table table_name")

See the cached Data

有时候，你想只要到是否数据已经被缓存了。一个方法是查看Spark UI，这上面提供了集群级别缓存的基本信息:

图中每一个缓存的数据集，可以看到内存和磁盘中分别占用多少，甚至你可以点击表记录，查看每个分区的细节信息。
我们可以通过如下语句查看是否真个表被缓存了：

spark.catalog.isCache("table_name")

也可以移除缓存中的所有数据：

spark.catalog.clearCache()

scala API 中，你可以使用cache Manager的内部函数，如查询是否cache Manager为空：

// In scala API
val cm = spark.sharedState.cacheManager
cm.isEmpty

Other Possibilities for data persisitence

缓存对于计算复用是一项很重要的技术，除了缓存，也有checkpointing和exchange复用
checkpointing在由于数据太大需要中断的场景下是很有用的。大的查询计划可能成为driver端的瓶颈。因为大的计划将会跨度很大的时间，checkpoint将会中断该计划，并且进行物化该查询。对于下一次转化，spark将会构建新的计划。checkpointing主要跟两个函数有关：checkpoint和localCheckpoint，两者在数据存储上是不同的：
exchange-reuse用在spark持久化shuffle 磁盘输出的,是内部特性，不直接受api函数的控制的，在一些特殊的场景下，能够通过重写查询来进行间接的控制，查看这篇文章,这里描述的很细致。