Spark join问题

本篇文章是关于我在学习Spark过程中遇到的一些问题及总结，分为Spark优化、RDD join问题、遇到的问题、总结、参考资料几个部分。 

一：Spark优化 
1、设置序列化器为KryoSerializer 
　　Spark默认使用的是Java序列化机制，但是Spark也支持使用Kryo序列化库，Kryo序列化机制比Java序列化机制性能高10倍左右 
 
2、压缩机制 
　　如果数据量很大，在序列化的同时可以考虑使用压缩，lzf的压缩效率要高很多， 当然如果使用了压缩，也会消耗CPU和内存资源 
 
3、TDW 表写入禁止覆盖 
　　最终写入TDW的RDD可能是多个，因此需要设置TDW表写入禁止覆盖，这样就可以避免使用RDD UNION操作 
 
4、启用Spark推测机制 
 
5、reduceByKey代替groupByKey 
　　groupByKey会将所有的计算放在reduce阶段进行，会导致全量数据在节点间传输，而reduceByKey会在map端对本地数据进行聚合，之后将计算的结果进行shuffle，因此可以大量的减少shuffle的数据，减少网络IO，提高运行效率,在reduceByKey的函数中，还可以去实现某个字段的sum，max，min，count等操作 
6、map和mapPartitions 
　　mapPartitions是针对Partitiion进行操作，那么操作中的很多对象和变量都可以复用，比如广播变量等 
　　map是处理partitiion中的一条数据，因此mapPartition的效率要高一些，但是mapPartitions也存在缺陷，由于一次处理一个partitiion的数据，在内存不足的时候会因此OOM 
7、foreach和foreachPartitions 
　　类似与map和mapPartitions的关系，前者是针对partition中的数据一条条进行处理，后者是针对一个partition进行处理，后者适合在和外部数据库交互操作时使用，比如MySQL，通过这种方法可以避免频繁的创建和销毁链接，还可以进行批处理，比如使用JDBC在mysql数据库中批量插入，同样也存在缺陷，会遇到OOM 
8、cache和persist 
　　如果需要重复使用RDD，可以考虑使用缓存操作，cache是将RDD缓存到内存中，适合数据量比较小的RDD，对于persist而言，可以根据不同的业务场景选择不同的持久化级别。 

二：RDD join 问题 
　　程序RDD 的join问题的一些总结：A表join B表，对B表进行更新问题，都可以把表转换成(k,v)的形式(k可以由多个字段拼接而成，v可以是一个对象，也可以是一个字段)，最终问题转化为A(k,v) join B(k,v) on A.k = B.k 
1、full join 
 
使用场景：A表和B表进行full join，并且A表比B表的数据量不在一个数量级，如果在一个数量级，则直接使用full out join算子执行 
方案： 
①把full out join转化为A表left out join B表 
　　②之后进行map操作，根据A对B进行更新 
　　③map操作中用HashSet记录A 和B交集的key 
　　④根据③中得到的HashSet对B进行filter操作，过滤掉已经left out join的记录，然后对B中剩下的记录进行foreach遍历更新 
　　⑤调用TDW接口把RDD分别写入文件中 
代码： 
 
2、小表join大表 
使用场景： 
　　　一个小表A和一个大表B的连接操作，小表指文件足够小，可以加载到内存中，该算法可以将join算子执行在Map端，无需经历shuffe和reduce等阶段，因此效率很高 
方案： 
　　①把A(k,v)进行广播 
　　②在Map端对B进行过滤和更新 
　　③把更新后的RDD写入文件中 
代码： 

3、大表join大表 
使用场景： 
　　　当两个表数据量非常大，其中任何一个都不能够放到内存中，可以使用Spark的join算子，通过该算子实现reduce-side-join 
概念：RDD依赖关系 
在spark中如何表示RDD之间的依赖关系分为两类： 
①窄依赖：每个父RDD的分区都至多被一个子RDD的分区使用，即为OneToOneDependecies； 
②宽依赖：多个子RDD的分区依赖一个父RDD的分区，即为OneToManyDependecies。 
例如，map操作是一种窄依赖，而join操作是一种宽依赖（除非父RDD已经基于Hash策略被划分过了） 
 
　　图：宽依赖和窄依赖 
方案： 
　　　由上图可知，join分为宽依赖和窄依赖，如果RDD有相同的partitioner，那么将不会引起shuffle，因此我们可以对RDD进行Hash分区。分别对A和B用同一个函数进行Partition，比如按照首字母进行Partition，那么A和B都可以分成26个Partition，并且A1只需要和B1进行join，A1不需要和B剩下的25个Partition进行join，这样就大大的减少了join次数，最好的办法是对表进行分区，每次只取两个对应分区的数据进行join操作。具体的Hash Partition函数需要根据具体的应用场景实现，比如：如果key是URL，那么就可以根据域名进行分区。分区大小需要根据task-nums、num-executors以及executor-cores确定。 
 
　　　图：Spark中CoGroupedRDD.Scala源码 
代码： 
 
图：分区函数 
 
图：对RDD进行分区 
4、RDD join引起 shuffle问题 
　　请参考《Spark性能优化指南》系列，里边详细讲解了引起shuffle的原因，以及不通场景的解决办法，强烈推荐。 
　　 
三：遇到的问题 
　　　列出我在写Spark程序遇到的两个问题： 
1、RDD的API所引用的所有对象，都必须是可序列化的 

图：RDD中引用对象 

图：报错信息

　　　在RDD的API里所引用的在RDD的API里所引用的所有对象，都必须是可序列化的，因为RDD分布在多台机器是，代码和所引用的对象会序列化，然后复制到多台机器，所以凡是被引用的数据，都必须是可序列化的。否则会报java.lang.NotSerializableException: scala.util.Random 异常，解决办法就是把引用对象序列化 extends Serializable或者使用kryo序列化。 
在一个RDD的api里不可以引用另外一个RDD 
　　SPARK-5063 in spark,Spark does not support nested RDDs or performing Spark actions inside of transformations; this usually leads to NullPointerExceptions (seeSPARK-718 as one example). The confusing NPE is one of the most common sources of Spark questions on StackOverflow: 
　　上边英文大致意思是：Spark的transformation算子中不支持嵌套RDD，会导致空指针，如果其中一个RDD数据量不大，则可以用文章中提高的广播变量解决这个问题，如果数据量很大使用广播变量会导致OOM，那么就要从其他方面进行优化或者从业务逻辑进行出发。

四：总结 
　　这一个月我的主要工作是把Sql转化成Spark程序，以及去不断的去优化，提高效率。在把Sql转化成Spark程序有很多可以优化的点,我选择了其中一个点进行了总结，总结的有不妥的地方，欢迎拍砖，一起交流。 
　　时间过的很快，在这里已经实习一个月了，在导师dezhiliu和小组成员的帮助下 ，自己成长了很多，也学到了很多东西，不仅仅是Spark相关的。特别的感谢我的导师和我的小伙伴们。

五：参考资料 
[1]、Spark性能优化指南——基础篇 
　　http://tech.meituan.com/spark-tuning-basic.html 
[2]、Spark性能优化指南——高级篇 
　　http://tech.meituan.com/spark-tuning-pro.html 
[3]、Apache Spark探秘：实现Map-side Join和Reduce-side Join http://dongxicheng.org/framework-on-yarn/apache-spark-join-two-tables/ 
[4]、Spark排错与优化 
　　http://blog.csdn.net/lsshlsw/article/details/49155087 
[5]、Spark官方文档 
　　http://spark.apache.org/docs/latest/

顶

1