Spark性能优化第五季

一：性能优化之数据本地性

1，数据本地性对分布式系统的性能而言是一件最为重要的事情（之一），程序运行本身包含代码和数据两部分，单机版本一般情况下很少数据本地性的问题（因为数据在本地），但是对于单机版本的程序由于数据本地性有PROCESS_LOCAL和NODE_LOCAL之分，所以我们还是尽量的让数据处于PROCESS_LOCAL；Spark作为分布式系统更加注意数据本地性，在Spark中数据本地性分为PROCESS_LOCAL（同一个JVM）、NODE_LOCAL（同一个node，比如数据在HDFS上，但是和代码在同一个node）、NO_PREF、RACK_LOCAL（不在同一个server，但在同一个机架）、ANY（数据可能在任何地方，包括在其他网络环境中；例如说百度云，数据和计算集群不在同样的集群中，此时就是ANY一种表现）；

2，对于ANY的情况，默认状态下性能会非常低下，此时强烈建议使用Tachyon；例如在百度云上为了确保计算速度，就在计算集群和存储集群之间加入了Tachyon，通过Tachyon来从远程抓取数据，而Spark基于Tachyon来进行计算，这就更好的满足了数据本地性；

3，如果数据是PROCESS_LOCAL，但是此时并没有空闲的Core来运行我们的Task，此时Task就要等待，例如等待3000ms，3000ms内如果能够运行待运行的Task则直接运行，如果超过了3000ms，此时数据本地性就要退而求其次采用NODE_LOCAL，同样的道理NODE_LOCAL也会等待的超时时间，以此类推…

4，如何配置Locality呢？可以统一采用spark.locality.wait来设置（例如设置5000ms），当然你可以分别设置spark.locality.wait.process，spark.locality.wait.node, spark.locality.wait.rack等；一般的具体设置是Locality优先级越高则可以设置越高的等待超时时间；

二：RDD的自定义（以Spark on HBase为例）

1，第一步是定义RDD.getPartitions的实现：

a）createRelation具体确定HBase的链接方式和具体访问的表；

b）然后通过HBase的API来获取Region的List；

c）可以过滤出有效地数据；

d）最后返回Region的Array[Partition]，也就是说一个Partition处理一个Region的数据，为更佳的数据本地性打下基础；

2，第二步是RDD.getPreferredLocations

a）根据Split包括的Region信息来确定Region具体在什么节点上，这样Task在调度的时候就可以优先被调度到Region所在的机器上，最大化的提高数据本地性；

3，第三步是RDD.compute

a) 根据Split中的Region等信息调用HBase的API来进行操作（主要是查询）

4，Spark on Hbase开源实现

1.作业：从网络上查询RDD封装MySQL的具体实现

在Spark中提供了一个JdbcRDD类，该RDD就是读取JDBC中的数据并转换成RDD，之后我们就可以对该RDD进行各种的操作。我们先看看该类的构造函数：

JdbcRDD[T: ClassTag](

    sc: SparkContext,

    getConnection: () => Connection,

    sql: String,

    lowerBound: Long,

 upperBound: Long,  numPartitions: Int,  mapRow: (ResultSet) => T = JdbcRDD.resultSetToObjectArray _)

这个类带了很多参数，关于这个函数的各个参数的含义，我觉得直接看英文就可以很好的理解，如下：

1、getConnection 返回一个已经打开的结构化数据库连接，JdbcRDD会自动维护关闭。

2、sql 是查询语句，此查询语句必须包含两处占位符?来作为分割数据库ResulSet的参数，例如：”select title, author from books where ? < = id and id <= ?”

3、lowerBound, upperBound, numPartitions 分别为第一、第二占位符，partition的个数。例如，给出lowebound 1，upperbound 20， numpartitions 2，则查询分别为(1, 10)与(11, 20)

4、mapRow 是转换函数，将返回的ResultSet转成RDD需用的单行数据，此处可以选择Array或其他，也可以是自定义的case class。默认的是将ResultSet 转换成一个Object数组。