Spark——RDD的内核调度

1、DAG定义

Spark的核心是根据RDD来实现的，SparkScheduler则为Spark核心实现的重要一环，其作用就是任务调度。Spark的任务调度就是如何组织任务去处理RDD中每个分区的数据，根据 RDD 的依赖关系构建 DAG，基于DAG划分Stage，将每个Stage中的任务发到指定节点运行。基于Spark的任务调度原理，可以合理规划资源利用，做到尽可能用最少的资源高效地完成任务计算。

以词频统计WordCount程序为例，DAG图：

DAG： 有向无环图，DAG有方向没有形成闭环的一个执行流程图。

• 有向： 有方向；
• 无环： 没有闭环。

1.1、Job和Action

Action： 返回值不是RDD的算子。它的作用是一个触发开关，会将action算子之前的一串rdd依赖链条执行起来。

结论

1个Action会产生1个DAG，如果在代码中有3个Action就产生3个DAG。

即：一个Action产生的一个DAG，会在程序运行中产生一个JOB。
所以：1个ACTION = 1个DAG = 1个JOB

如果一个代码中，写了3个Action，那么这个代码运行起来产生3个JOB，每个JOB有自己的DAG一个代码运行起来，在Spark中称之为 ： Application

层级关系： 1个Application中，可以有多个JOB每一个JOB内含一个DAG，同时每一个JOB都是由一个Action产生的。

1.2、DAG和分区

DAG是Spark代码的逻辑执行图，这个DAG的最终作用是；为了构建物理上的Spark详细执行计划而生。所以，由于Spark是分布式（多分区）的，那么DAG和分区之间也是有关联的。

# 假设，全部RDD都是3个分区在执行
rdd1=sc.textFile()
rdd2 =rdd1.flatMap()
rdd3=rdd2.map()
rdd4=rdd3.reduceByKey()
rdd4.action()

2、DAG的宽窄依赖和阶段划分

2.1、宽窄依赖

在SparkRDD前后之间的关系，分为：

• 窄依赖： 父RDD的一个分区，全部将数据发给子RDD的一个分区；

  

  

• 宽依赖（shuffle）： 父RDD的一个分区，将数据发给子RDD的多个分区。

  

  

2.2、阶段划分

对于Spark来说，会根据DAG，按照宽依赖，划分不同的DAG阶段

划分依据： 从后向前，遇到宽依赖就划分出一个阶段，称之为stage。

如图，可以看到，在DAG中，基于宽依赖.将DAG划分成了2个stage；在stage的内部，一定都是：窄依赖。

3、内存迭代计算

如图，基于带有分区的DAG以及阶段划分。可以从图中得到逻辑上最优的task分配一个task是一个线程来具体执行。那么如上图task1中rdd1 rdd2 rdd3的迭代计算，都是由一个task（线程完成），这一阶段的这一条线，是纯内存计算。

如上图，task1 task2 task3，就形成了三个并行的内存计算管道。

Spark默认受到全局并行度的限制，除了个别算子有特殊分区情况，大部分的算子，都会遵循全局并行度的要求，来规划自己的分区数。如果全局并行度是3其实大部分算子分区都是3。

Spark我们一般推荐只设置全局并行度，不要再算子上设置并行度；除了一些排序算子外，计算算子就让他默认开分区就可以了。

面试题

3.1、Spark是怎么做内存计算的？DAG的作用？Stage阶段划分的作用？

• Spark会产生DAG图；
• DAG图会基于分区和宽窄依赖关系划分阶段；
• 一个阶段的内部都是窄依赖，窄依赖内，如果形成前后1:1的分区对应关系，就可以产生许多内存迭代计算的管道；
• 这些内存选代计算的管道，就是一个个具体的执行Task；
• 一个Task是一个具体的线程,任务跑在一个线程内，就是走内存计算了。

3.2、Spark为什么比MapReduce快？

• Spark的算子丰富，MapReduce算子匮乏（Map和Reduce），MapReduce这个编程模型，很难在一套MR中处理复杂的任务；很多的复杂任务，是需要写多个MapReduce进行串联多个MR串联通过磁盘交互数据。
• Spark可以执行内存迭代，算子之间形成DAG基于依赖划分阶段后，在阶段内形成内存迭代管道，但是MapReduce的Map和Reduce之间的交互依旧是通过硬盘来交互的。

编程模型上Spark占优（算子够多）；
算子交互上和计算上可以尽量多的内存计算而非磁盘迭代。

4、Spark并行度

Spark的并行： 在同一时间内，有多少个task在同时运行；
并行度： 并行能力的设置。

比如设置并行度6其实就是要6个task并行在跑，在有了6个task并行的前提下，rdd的分区就被规划成6个分区了。

4.1、如何设置并行度

可以在代码中和配置文件中以及提交程序的客户端参数中设置，优先级从高到低：

• 代码中

• 客户端提交参数中

• 配置文件中

• 默认（1，但是不会全部以1来跑，多数时候基于读取文件的分片数量来作为默认并行度）

全局并行度配置的参数：spark.default.parallelism

4.2、全局并行度

• 配置文件中：

# conf/spark-defaults.conf中设置
spark.default.parallelism 100

• 在客户端提交参数中：

bin/spark-submit --conf "spark.default.parallelism=100"

• 在代码中设置：

conf = SaprkConf()
conf.set("spark.default.parallelism", "100")

全局并行度是推荐设置，不要针对RDD改分区，可能会影响内存迭代管道的构建，或者会产生额外的Shuffle。

4.3、针对RDD的并行设置（不推荐）

只能在代码写，算子：

• repartition算子
• coalesce算子
• partitionBy算子

4.4、集群中如何规划并行度

结论： 设置为 CPU 总核心的2 ~ 10倍，比如集群可用CPU核心是100个，我们建议并行度是200~ 1000。

确保是CPU核心的整数倍即可，最小是2倍，最大一般10倍或更高（适量）均可。

4.5、为什么要设置至少2倍？

• CPU的一个核心一时间只能干一件事情；
• 所以，在100个核心的情况下，设置100个并行，就能让CPU 100%出力；
• 这种设置下，如果task的压力不均衡，某个task先执行完了。就导致某个CPU核心空闲；
• 所以，我们将Task（并行）分配的数量变多，比如800个并行，同一时间只有100个在运行，700个在等待；
• 但是可以确保，某个task运行完了。后续有task补上，不让cpu闲下来，最大程度利用集群的资源。

规划并行度，只看集群总CPU核数。

5、Spark的任务调度

5.1、Spark程序调度流程

• Driver被构建出来；
• 构建SparkContext（执行环境入口对象）；
• 基于DAG Scheduler（DAG调度器）构建逻辑Task分配；
• 基于TaskScheduler（Task调度器）将逻辑Task分配到各个Executor上干活，并监控它们；
• Worker（Executor），被TaskScheduler管理监控，听从它们的指令干活，并定期汇报进度。

1，2，3，4都是Driver的工作，5是Worker的工作。

5.2、Driver调度过程

• 逻辑DAG产生；
• 分区DAG产生；
• Task划分；
• 将Task分配给Executor并监控其工作。

5.3、Driver内的两个组件

• DAG调度器： 将逻辑的DAG图进行处理，最终得到逻辑上的Task划分；
• Task调度器： 基于DAG Scheduler的产出，来规划这些逻辑的task，应该在哪些物理的executor上运行，以及监控管理它们的运行。

6、Spark层次关系

• 一个Spark环境可以运行多个Application；
• 一个代码运行起来，会成为一个Application；
• Application内部可以有多个Job；
• 每个Job由一个Action产生， 并且每个Job有自己的DAG执行图；
• 一个Job的DAG图会基于宽窄依赖划分成不同的阶段；
• 不同阶段内基于分区数量，形成多个并行的内存迭代管道；
• 每一个内存迭代管道形成一个Task（ DAG调度器划分将Job内划分出具体的task任务，一个Job被划分出来的task在逻辑上称之为这个job的taskset ）。

7、Spark Shuffle

Spark在DAG调度阶段会将一个Job划分为多 个Stage，上游Stage做map工作， 下游Stage做reduce工作，其本质上还是MapReduce计算框架。Shuffle是连接map和reduce之间的桥梁，它将 map 的输出对应到 reduce 输入中， 涉及到序列化反序列化、跨节点网络IO以及磁盘读写IO等。

Spark的Shuffle分为Write和Read两个阶段，分属于两个不同的Stage，前者是ParentStage的最后一步，后者是Child Stage的第一步。

执行Shuffle的主体是Stage中的并发任务，这些任务分ShuffleMapTask和ResultTask两种，ShuffleMapTask要进行Shuffle，ResultTask负责返回计算结果，一个Job中只有最后的Stage采用ResultTask，其他的均为ShuffleMapTask。如果要按照map端和reduce端来分析的话，ShuffleMapTask可以即是map端任务，又是reduce端任务，因为Spark中的Shuffle是可以串行的；ResultTask则只能充当reduce端任务的角色。

8、Hash Shuffle

8.1、阶段划分

• shuffle write：mapper阶段，上一个stage得到最后的结果写出；
• shuffle read：reduce阶段，下一个stage拉取上一个stage进行合并

未经优化的 hashShuffleManager ： HashShuffle是根据task的计算结果的key值的hashcode%ReduceTask来决定放入哪一个区分，这样保证相同的数据一定放入一个分区，Hash Shuffle过程如下：

根据下游的task决定生成几个文件，先生成缓冲区文件在写入磁盘文件，再将block文件进行合并。未经优化的shuffle write操作所产生的磁盘文件的数量是极其惊人的。提出如下解决方案。

经过优化的 hashShuffleManager ： 在shuffle write过程中，task就不是为下游stage的每个task创建一个磁盘文件了。此时会出现shuffleFileGroup的概念，每个shuffleFileGroup会对应一批磁盘文件，每一个Group磁盘文件的数量与下游stage的task数量是相同的。

8.2、优化前后对比

• 未经优化：

  • 上游的task数量：m
  • 下游的task数量：n
  • 上游的executor数量：k (m>=k)
  • 总共的磁盘文件：mn

• *优化之后的：

• • 上游的task数量：m
  • 下游的task数量：n
  • 上游的executor数量：k (m>=k)
  • 总共的磁盘文件：kn

9、Sort Shuffle Manager

SortShuffleManager的运行机制主要分成两种，一种是普通运行机制，另一种是bypass运行机制。当shuffle write task的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数的值时（默认为200），就会启用bypass机制。

• 该模式下，数据会先写入一个内存数据结构中（默认5M），此时根据不同的shuffle算子，可能选用不同的数据结构。如果是reduceByKey这种聚合类的shuffle算子，那么会选用Map数据结构，一边通过Map进行聚合，一边写入内存；如果是join这种普通的shuffle算子，那么会选用Array数据结构，直接写入内存。

• 每写一条数据进入内存数据结构之后，就会判断一下，是否达到了某个临界阈值。如果达到临界阈值的话，那么就会尝试将内存数据结构中的数据溢写到磁盘，然后清空内存数据结构。

• 排序： 在溢写到磁盘文件之前，会先根据key对内存数据结构中已有的数据进行排序。

• 溢写： 排序过后，会分批将数据写入磁盘文件。默认的batch数量是10000条，也就是说，排序好的数据，会以每批1万条数据的形式分批写入磁盘文件。

• merge： 一个task将所有数据写入内存数据结构的过程中，会发生多次磁盘溢写操作，也就会产生多个临时文件。最后会将之前所有的临时磁盘文件都进行合并成1个磁盘文件，这就是merge过程。

由于一个task就只对应一个磁盘文件，也就意味着该task为Reduce端的stage的task准备的数据都在这一个文件中，因此还会单独写一份索引文件，其中标识了下游各个task的数据在文件中的start offset与end offset。

9.1、bypass运行机制

bypass运行机制的触发条件如下：

• shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold=200参数的值。
• 不是map combine聚合的shuffle算子（比如reduceByKey有map combie）。

• 此时task会为每个reduce端的task都创建一个临时磁盘文件，并将数据按key进行hash，然后根据key的hash值，将key写入对应的磁盘文件之中。当然，写入磁盘文件时也是先写入内存缓冲，缓冲写满之后再溢写到磁盘文件的。最后，同样会将所有临时磁盘文件都合并成一个磁盘文件，并创建一个单独的索引文件。
• 该过程的磁盘写机制其实跟未经优化的HashShuffleManager是一模一样的，因为都要创建数量惊人的磁盘文件，只是在最后会做一个磁盘文件的合并而已。因此少量的最终磁盘文件，也让该机制相对未经优化的HashShuffleManager来说，shuffle read的性能会更好。

而该机制与普通SortShuffleManager运行机制的不同在于：

• 磁盘写机制不同;

• 不会进行排序。也就是说，启用该机制的最大好处在于，shuffle write过程中，不需要进行数据的排序操作，也就节省掉了这部分的性能开销。

9.2、总结

• SortShuffle也分为普通机制和bypass机制
• 普通机制在内存数据结构（默认为5M）完成排序，会产生2M个磁盘小文件。
• 而当shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值。或者算子不是聚合类的shuffle算子（比如reduceByKey）的时候会触发SortShuffle的bypass机制，SortShuffle的bypass机制不会进行排序，极大的提高了其性能。

10、Shuffle的配置选项

Shuffle阶段划分：

• shuffle write：mapper阶段，上一个stage得到最后的结果写出；
• shuffle read：reduce阶段，下一个stage拉取上一个stage进行合并。

细节

Spark 的shuffle调优： 主要是调整缓冲的大小，拉取次数重试重试次数与等待时间，内存比例分配，是否进行排序操作等等。

• spark.shuffle.file.buffer

  • 参数说明： 该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小（默认是32K）。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘；
  • 调优建议： 如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如64k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

• spark.reducer.maxSizeInFlight

  • 参数说明： 该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次能够拉取多少数据。(默认48M)；
  • 调优建议： 如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

• spark.shuffle.io.maxRetries and spark.shuffle.io.retryWait

  • spark.shuffle.io.maxRetries ：shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数。（默认是3次）；
  • spark.shuffle.io.retryWait： 该参数代表了每次重试拉取数据的等待间隔。（默认为5s）；
  • 调优建议： 一般的调优都是将重试次数调高，不调整时间间隔。

• spark.shuffle.memoryFraction

  • 参数说明： 该参数代表了Executor内存中，分配给shuffle read task进行聚合操作内存比例。

• spark.shuffle.manager

  • 参数说明： 该参数用于设置shufflemanager的类型（默认为sort）。Spark1.5x以后有三个可选项：
    • Hash：spark1.x版本的默认值，HashShuffleManager；
    • Sort：spark2.x版本的默认值，普通机制，当shuffle read task 的数量小于等于。spark.shuffle.sort.bypassMergeThreshold参数，自动开启bypass机制

• spark.shuffle.sort.bypassMergeThreshold

  • 参数说明： 当ShuffleManager为SortShuffleManager时，如果shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作；
  • 调优建议： 当你使用SortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些。