【大数据分析】Spark的transformation性能分析

宽（wide）依赖和窄（narrow）依赖

（1）窄依赖（narrow dependencies）。父RDD的每个分区最多被子RDD的一个分区所引用。
（2）宽依赖（wide dependencies）。父RDD的每个分区被多个子RDD所引用。

例如，考虑以下代码 code_A

val rdd2 = rdd1.map(x=>(x,1))
val rdd3 = rdd2.groupByKey()

从rdd1到rdd3的数据的变化如下图所示：

从rdd1到rdd2属于窄依赖（narrow dependencies），因为rdd2中的每个分区数据仅从rdd1中的一个分区中得到。从rdd2到rdd3属于宽依赖（wide dependencies），因为rdd3中可能存在多个分区的数据来自rdd2的多个分区。

narrow转换的过程不存在分区之间的数据移动，也不需要跟driver node通信。当一连串的narrow转换后遇到一个wide转换之后，Spark会将这个wide转换连通它前面的narrow转换都看做是一个stage阶段。而这个它后面的转换会算在下一个stage阶段中。

一个stage中的narrow转换是并行的，而stage与stage之间则是串行的。一个stage中有多少个分区，narrow转换的并行数就有多少，转换在分区内完成。wide转换在实现具体操作前会先实现数据在不同分区之间的传输，这个操作称为shuffle，目的是为了将相关的数据都放在一个分区中以实现分区内数据转换。

（1）“narrow”和“wide”对性能的影响
narrow转换比wide转换运行得更快，因为narrow转换不会出现分区与分区之间的数据传输，并且narrow转换的过程不需要与driver node交互，这一点跟wide转换相反。

（2）“narrow”和“wide”对容错的影响
当spark集群针对分区的计算发生错误时，对于wide转换要恢复这个错误所需要的成本更高。因为wide转换在重新计算分区时可能需要从多个父分区中获取数据。并且容易造成内存泄漏的问题。

（3）使用coalesce的注意事项
coalesce方法一般用于改变rdd的分区数量。当这个方法用于减少分区数量时，每个父分区仅仅有一个子分区与之对应，因为子分区是父分区的集合。所以从这个角度来说，它属于narrow转换。反之，当coalesce方法用于增加分区数量时，每个父分区会有多个子分区与之对应。此时它wide转换。

RDD返回的类型

如果一个tuple类型的RDD丢失了它的schema信息，Spark就会用“Any”来代替，例如：RDD[Any]和RDD[(Any,Int)]。此时当执行某些方法时，编译是无法通过的，例如：sortByKey。sortByKey方法实际上依赖于key的值存在某一些隐性的可排序的可能，例如：字母排序，数字排序等等。此外还有很多数字类型的方法例如：max，min，和sum也需要依赖RDD中的数据是Long，Int或者是double类型。

DataFrame中的Row是弱类型的，从DataFrame转成RDD，有些值的类型会变成“Any”，这是丢失值类型管理信息的表现。所以在这个过程中最好将DataFrame的schema信息用一个变量记录起来。

此外Dataset API是强类型，所以它转换成RDD之后，每一行的值都会保留它的类型信息。

减少对象的创建

“垃圾回收”是为了回收创建对象（object）时所分配的资源。所以如果在Spark作业中创建的对象越多，“垃圾回收”机制造成的成本也越高。所以建议在Spark中减少使用对象，或多点复用对象。

使用mapPartitions

rdd的mapPartitions是map的一个变种，它们都可以进行数据的并行处理。两者有很多的不一样。

首先是并行处理数据的粒度
（1）map的input transformation应用于每一个元素。
（2）mapPartitions的input transformation应用于每个分区。
假设一个rdd有10个元素（1 2 3 4 5 6 7 8 9 10），分成3个分区，测试代码如下所示

val a = sc.parallelize(1 to 10,3)
def handlePerElement(e:Int):Int={
	println("element="+e)
}

def handlePerPartition(iter:Iterator[Int]:Iterator[Int]={
	println("run in partition")
	var res = for(e<-iter) yield e*2
	res
}

val b = a.map(handlePerElement).collect
val c = a.mapPartitions(handlePerPartition).collect

运行以上代码测试可以看到，基于元素粒度运行的handlePerElement函数输出了10次，而基于分区粒度运行的handlePerPartition输出了3次。

输入函数获取数据的方式
基于map调用handlePerElement时，实际上是map将数据推到handlePerElement中，而当mapPartitions调用handlePerPartition时，则是handlePerPartition主动拉取数据。

处理大数据集
handlePerElement和handlePerPartition都要初始化一个耗时的资源，然后使用，比如数据库连接。handlePerPartition只需初始化3个资源（每个分区1个），handlePerElement要初始化10次（每个元素1个），而在大数据情况下，数据集中的元素个数远大于分区数，所以mapPartitions的开销要小很多，便于批处理操作。

变量的共享

Spark中有两类共享变量：累加器和广播变量。累加器是用来对信息进行聚合的，而广播变量则是用来高效分发较大对象的。

闭包

假设有一段代码

var n = 1
val func = (i:Int)=>i+n

函数func有两个变量，n 和 i，其中 i 为该函数的形式参数，也就是入参，在func函数被调用时，i 会被赋予一个新的值，称为绑定变量（bound variable），而 n 则是定义在了函数func外面的，该函数并没有赋予其任何值，称为自由变量（free variable）。

像func函数这样，返回结果依赖于声明在函数外部的一个或多个变量，将这些自由变量捕获并构成的封闭函数，称为“闭包”。

假设有个累加求和的例子，代码如下：

var sum = 0
val arr = Array(1,2,3,4,5)
sc.parallelize(arr).foreach(x=>sum+=x)
println(sum)

这段代码并不会达到 sum=15 的效果。而是sum=0。导致这个结果的原因就是存在闭包。
在集群中，Spark其实晖对RDD的操作处理分解为Tasks，每个Task由Executor执行。在执行之前，Spark会计算task的闭包（也就是上面代码中的foreach()）。闭包会被序列化发送给每个Executor，但是发送的只是副本。
（至今才理解什么是闭包，就是一个方法即便是沿用了外部的变量，计算起来也只是用了这个变量的拷贝，把门关起来计算）

累加器的原理

累加器可以突破闭包的限制，把工作节点中值的改变更新到Driver中。首先Driver调用SparkContext.accumulator(initialValue)方法，Spark闭包里的执行器代码就会对其+1。也就是把下面的代码

var sum = 0

改成

val sum = sc.accumulator(0)

广播变量的原理

广播变量在原理上跟累加器的原理差不多，区别在于，广播变量并不是要把变量副本发给所有的Task，而只是将其分发给所有的工作节点，然后工作节点中的所有Task共享一份数据副本。

val broadcastVar = sc.broadcast(Array(1,2,3))
broadcastVar.val

RDD的复用

Spark提供了persist，cache，checkpoint三种方式来实现RDD的重用。cache和persist是将数据默认缓存在内存中（ rdd.persist(StorageLevel.DISK_ONLY) 可以缓存在磁盘），checkpoint是物理存储。
（1）cache底层调用的是persist。
（2）cache默认持久化等级是内存且不能修改，persist可以修改持久化的等级。
（3）当某一个步骤计算特别耗时时，建议使用cache和checkpoint
（4）当计算的链条特别长时，建议使用cache和checkpoint
一般情况下建议使用cache和persist模式，因为不需要创建存储位置，默认存储在内存中计算速度快，而checkpoint需要手动创建存储位置和手动删。