大数据-92 Spark 集群 SparkRDD 原理 Standalone详解 ShuffleV1V2详解 RDD编程优化

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（正在更新！）

章节内容

上节完成的内容如下：

• Spark程序的优化：广播变量、累加器
• 研究广播变量
• 研究累加器

Standalone提交

Standalone组成

Standalone 模式下有四个重要的组成部分，分别是：

• Driver： 用户编写的Spark应用程序就运行在Driver上，由Driver进程执行
• Master：主要负责资源的调度和分配，并进行集群的监控等职责
• Worker：Worker运行在集群中的一台服务器上，负责管理该节点上的资源，负责启动节点上的Executor
• Executor：一个Worker上可以运行多个Executor，Executor通过启动多个线程（Task）对RDD的分区进行计算

SparkContext组件

什么是SparkContext

SparkContext 是 Spark 应用程序的主控制器，它负责与 Spark 集群的管理节点（Driver）和工作节点（Workers）进行交互。通过 SparkContext，用户可以提交作业、管理 RDD（弹性分布式数据集）和其他数据集，并执行各种操作。SparkContext 是 Spark 应用程序的基础，每个应用程序在启动时都会创建一个 SparkContext 实例。

SparkContext 的主要职责

• 集群连接： SparkContext 负责连接到集群管理器（如 YARN、Mesos 或 Spark 的独立集群管理器），并获取集群的资源，以便在集群上执行任务。
• 作业调度： SparkContext 通过 DAG（有向无环图）将用户的应用程序逻辑转换为一系列任务（Tasks），然后将这些任务分配给集群中的工作节点执行。
• RDD 管理： RDD 是 Spark 的核心抽象，用于表示分布式数据集。SparkContext 提供了创建 RDD 的方法，如从外部存储系统（HDFS、S3 等）中加载数据，或者从 Scala 集合创建 RDD。
• 广播变量和累加器： SparkContext 提供了广播变量和累加器的支持，广播变量用于在集群中的所有节点间共享只读数据，累加器用于在集群中执行全局计数或求和操作。
• 检查点： 为了支持容错，SparkContext 提供了将 RDD 存储到可靠存储中的功能，这称为检查点。这样，在发生故障时，Spark 可以从检查点恢复 RDD。

SparkContext中的三大组件：

• DAGScheduler：负责将DAG划分若干个Stage
• TaskScheduler：将DAGScheduler提交的Stage（Taskset）进行优先排序，再将Task发送到Executor
• SchedulerBackend：定义了许多与Executor事件相关的处理，包括：新的Executor注册进来的时候记录Executor的信息，增加全局的资源量（核数），Executor更新状态，若任务完成的话，回收Core，其他停止Executor、Remove Executor等事件

常用的 SparkContext 方法

• parallelize: 将本地集合转换为 RDD。
• textFile: 从文本文件中读取数据并创建 RDD。
• stop: 停止 SparkContext。
• broadcast: 创建广播变量。
• accumulator: 创建累加器。

Standalone提交

• 启动应用程序，完成SparkContext的初始化
• Driver向Master注册，申请资源
• Master检查集群资源状况，若集群资源满足，通知Worker启动Executor
• Executor启动后向Driver注册（称为反向注册）
• Driver完成DAG的解析，得到Tasks，然后向Executor发送Task
• Executor向Driver汇总任务的执行情况
• 应用程序执行完毕，回收资源

Shuffle原理

基本概念

Shuffle的本意是洗牌，目的是为了把牌弄乱。

• Spark、Hadoop中的Shuffle可不是为了把数据弄乱，而是为了将随机排列的数据转换成具有一定规则的数据。
• Shuffle是MapReduce计算框架中的一个特殊的阶段，介于Map和Reduce之间。
• Shuffle涉及到了本地磁盘（非HDFS）的读写和网络传输，大多数Spark作业的性能都消耗在了Shuffle阶段，因此Shuffle性能的高低直接影响到了整个程序的运行效率

Shuffle历史

• Spark 0.8 及以前 Hash Based Shuflle
• Spark 0.8.1 为 Hash Based Shuflle 引入 File Consolidation 机制
• Spark 0.9 引入 External Append Only Map
• Spark 1.1 引入 Sort Based Shuffle，但默认仍为 Hash Based Shuffle
• Spark 1.2 默认的 Shuffle方式改为 Sort Based Shuffle
• Spark 1.4 引入 Tungsten-Sort Based Shuffle
• Spark 1.6 Tungsten-Sort 并入 Sort Based Shuffle
• Spark 2.0 Hash Based Shuffle 退出历史舞台

Hash Base Shuffle V1

简单介绍

Hash-based Shuffle 是 Apache Spark 中数据分布和重新排序的一种方式。Shuffle 是指在不同阶段的任务之间重新分配数据的过程。Hash-based Shuffle 在 Spark 1.x 版本中引入，被称为 Shuffle V1。
Shuffle V1 是 Spark 最初版本使用的 Shuffle 机制，基于 Hash 方法实现数据分布。它的主要特点是通过对数据的键进行哈希处理，将数据分配到相应的 reducer 节点上。Shuffle V1 的实现相对简单，但在大规模数据处理时存在一些局限性，如磁盘 I/O 过多、垃圾回收压力大等。

• 每个 Shuffle Map Task 需要为每个下游的Task创建一个单独的文件
• Shuffle 过程中会生成海量的小文件，同时打开过多的文件、IO效率低

工作原理

Map 端处理:

• 每个 map 任务在完成后，会根据键的哈希值将数据划分到不同的 bucket 中，这些 bucket 对应下游的 reduce 任务。
• Map 任务会将这些数据块（称为 partition）写入本地磁盘，并为每个 reduce 任务生成一个文件（包括索引文件和数据文件）。

Reduce 端处理:

• 当 reduce 任务启动时，它会从所有 map 任务生成的输出中拉取对应的数据块。
• Reduce 任务根据 map 任务输出的索引文件来读取相应的 partition 数据，并在本地进行聚合或其他处理。

局限性

• 磁盘 I/O: 每个 map 任务为每个 reduce 任务生成单独的文件，这会导致大量的小文件和频繁的磁盘 I/O 操作。当集群规模和数据量增大时，I/O 开销变得非常大。
• 垃圾回收: Shuffle V1 在处理过程中会产生大量的中间结果，导致 JVM 内存中会积累大量对象，增加了垃圾回收的压力，可能导致频繁的 GC 暂停（Stop-the-world）。
• 容错性: 如果某个任务失败，Spark 需要重新计算该任务的所有中间结果，Shuffle V1 没有很好的机制来优化这一过程。

适用场景

尽管 Shuffle V1 存在一些问题，但在小规模数据处理或集群中，Shuffle V1 的性能表现还是可以接受的，特别是对资源消耗较少的作业。不过，随着数据规模的增大，Shuffle V1 的局限性会变得明显，因此后续的 Spark 版本引入了更优化的 Shuffle 机制（Shuffle V2 和 Tungsten-Sort Based Shuffle）。

Hash Base Shuffle V2

简单介绍

Hash-Based Shuffle V2 是 Apache Spark 中对最初版本的 Hash-Based Shuffle 进行的改进，旨在解决 Shuffle V1 中存在的一些性能和稳定性问题。Shuffle 是分布式计算中数据重新分布的重要机制，而 Shuffle V2 的引入大大提高了 Spark 在处理大规模数据集时的性能和效率。

核心思想

Hash Base Shuffle V2 核心思想：
允许不同Task复用同一批磁盘文件，有效将多个Task的磁盘文件进行一定程度上的合并，从而大幅度减少磁盘文件的数量，进而提升ShuffleWrite的性能，一定程度上解决了HashV1中的问题，但不彻底。
Hash Shuffle 规避了排序，提高了性能，总的来说在 Hash Shuffle过程中生成了海量的小文件

Shuffle V2 的改进点

合并输出文件:

• 在 Shuffle V2 中，map 任务不再为每个 reduce 任务生成一个单独的文件，而是将多个 partition 的输出合并到一个文件中。这样，每个 map 任务只生成一个数据文件和一个索引文件，大大减少了生成的小文件数量。
• 索引文件记录了每个 reduce 任务的数据在数据文件中的偏移量和长度，reduce 任务可以根据这个索引文件来定位它所需的数据。

磁盘 I/O 优化:

• 通过合并输出文件，Shuffle V2 大幅减少了磁盘 I/O 操作，减少了文件系统的压力，并且降低了与小文件相关的元数据管理开销。

内存消耗优化:

• 由于减少了文件数量，Shuffle V2 对 JVM 的内存压力也有所降低，垃圾回收（GC）的频率和时长得到了优化。

容错性改进:

• Shuffle V2 采用了更加高效的数据管理机制，使得在任务失败时，重新拉取数据的开销更小。此外，数据文件的合并也使得在节点故障时可以更容易地恢复数据。
  工作原理

Shuffle V2 的工作原理

Map 端处理:

• 每个 map 任务在处理数据时，基于键的哈希值将数据分配到不同的 partition。与 Shuffle V1 不同的是，Shuffle V2 将多个 partition 的数据写入同一个文件。
• 同时生成一个索引文件，记录每个 partition 在数据文件中的位置和长度。
  Reduce 端处理:
• Reduce 任务通过索引文件，定位需要处理的数据块，并从 Map 任务的输出文件中读取相应的数据。
• 通过这种方式，减少了 I/O 开销，并优化了数据拉取的效率。

适用场景

Shuffle V2 适用于绝大多数的 Spark 作业，特别是在处理大规模数据集时效果尤为明显。它减少了磁盘 I/O 操作，优化了内存消耗，并提高了系统的容错性。对于需要高性能和稳定性的场景，Shuffle V2 是更好的选择。

Sort Base Shuffle

• Sort Base Shuffle 大大减少了 Shuffle 过程中产生的文件数，提高 Shuffle 的效率。
• Spark Shuffle 与 Hadoop Shuffle 从目的、意义、功能上看是类似的，实现上有区别。

RDD编程优化

RDD复用

避免创建重复的RDD，在开发过程中要注意，对于同一份数据，只应该创建一个RDD，不要创建过多个RDD来表示同一份数据。

RDD缓存/持久化

• 当多次对同一个RDD执行算子操作时，每一次都会对这个RDD以之前的父RDD重新计算一次，这种情况是必须要避免的，对同一个RDD的重复计算是对资源的极大浪费
• 对多次使用的RDD进行持久化，通过持久化将公共RDD的数据缓存到内存/磁盘中，之后对于公共RDD的计算都会从内存/磁盘中直接获取RDD数据
• RDD的持久化是可以进行序列化的，当内存无法将RDD的数据完整的进行存放的时候，可以考虑使用序列化的方式减小数据的体积，将数据完整存储在内存中

巧用 filter

• 尽可能过早地执行filter操作，过滤无用数据
• 在filter过滤较多数据后，使用 coalesce 对数据进行重分区

使用高性能算子

• 避免使用 groupByKey，根据场景选择使用高性能的聚合算子：reduceByKey、aggregateByKey
• coalesce、repartition，在可能得情况下优先选择没有Shuffle的操作
• foreachPartition 优化输出操作
• map、mapPartition，选择合理的选择算子，mapPartitions性能更好，但数据量过大时可能会OOM
• 用 repartitionAndSortWithinPartitions 替代 repartition + Sort 操作
• 合理使用 cache、persist、checkpoint，选择合理的数据存储级别
• filter 的使用
• 减少对数据源的扫描（算法复杂）

设置合理的并行度

• Spark作业中的并行度指各个Stage的Task的数量
• 设置合理的并行度，让并行度与资源相匹配，简单来说就是在资源允许的前提下，并行度尽可能大，达到充分利用集群资源。

广播大变量

• 默认情况下，Task中的算子中如果使用了外部变量，每个Task都会获取一份变量的副本，这会造多余的网络传输和内存消耗
• 使用广播变量，只会在每个Executor保存一个副本，Executor的所有Task共用此广播变量，这样就节约了网络及内存资源