Spark学习总结——广播变量和累加器、内存管理、Shuffle调优

广播变量和累加器

广播变量

• 广播变量理解图

  

• 广播变量使用

val conf = new SparkConf()
conf.setMaster("local").setAppName("brocast")
val sc = new SparkContext(conf)
val list = List("hello xasxt")
val broadCast = sc.broadcast(list)
val lineRDD = sc.textFile("./words.txt")
lineRDD.filter { x => broadCast.value.contains(x) }.foreach { println}
sc.stop()
           

• 注意事项

1. 能不能将一个RDD使用广播变量广播出去？

   不能，因为RDD是不存储数据的。可以将RDD的结果广播出去。

2. 广播变量只能在Driver端定义，不能在Executor端定义。
3. 在Driver端可以修改广播变量的值，在Executor端无法修改广播变量的值。

累加器

• 累加器理解图

  

• 累加器的使用

val conf = new SparkConf()
conf.setMaster("local").setAppName("accumulator")
val sc = new SparkContext(conf)
val accumulator = sc.accumulator(0)
sc.textFile("./words.txt").foreach { x =>{accumulator.add(1)}}
println(accumulator.value)
sc.stop()
           

• 注意事项

  累加器在Driver端定义赋初始值，累加器只能在Driver端读取，在Excutor端更新。

SparkUI

1. SparkUI界面介绍

   可以指定提交Application的名称

./spark-shell --master  spark://node1:7077 --name myapp
           

1. 配置historyServer

   临时配置，对本次提交的应用程序起作用

./spark-shell --master spark://node1:7077 
--name myapp1
--conf spark.eventLog.enabled=true
 --conf spark.eventLog.dir=hdfs://node1:9000/spark/test
           

停止程序，在Web Ui中Completed Applications对应的ApplicationID中能查看history。
spark-default.conf配置文件中配置HistoryServer，对所有提交的Application都起作用
在客户端节点，进入../spark-1.6.0/conf/ spark-defaults.conf最后加入:
           

//开启记录事件日志的功能
spark.eventLog.enabled           true
//设置事件日志存储的目录
spark.eventLog.dir                    hdfs://node1:9000/spark/test
//设置HistoryServer加载事件日志的位置
spark.history.fs.logDirectory   hdfs://node1:9000/spark/test
//日志优化选项,压缩日志
spark.eventLog.compress         true
           

启动HistoryServer
           

./start-history-server.sh
           

访问HistoryServer：node4:18080,之后所有提交的应用程序运行状况都会被记录。
           

Master HA

1. Master的高可用原理

   Standalone集群只有一个Master，如果Master挂了就无法提交应用程序，需要给Master进行高可用配置，Master的高可用可以使用fileSystem(文件系统)和zookeeper（分布式协调服务）。

   fileSystem只有存储功能，可以存储Master的元数据信息，用fileSystem搭建的Master高可用，在Master失败时，需要我们手动启动另外的备用Master，这种方式不推荐使用。

   zookeeper有选举和存储功能，可以存储Master的元素据信息，使用zookeeper搭建的Master高可用，当Master挂掉时，备用的Master会自动切换，推荐使用这种方式搭建Master的HA。

   

2. Master高可用搭建

   在Spark Master节点上配置主Master，配置spark-env.sh

export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=node3:2181,node4:2181,node5:2181 
-Dspark.deploy.zookeeper.dir=/sparkmaster0821"
           

发送到其他worker节点上

找一台节点（非主Master节点）配置备用 Master,修改spark-env.sh配置节点上的MasterIP

启动集群之前启动zookeeper集群：

../zkServer.sh start
           

启动spark Standalone集群，启动备用Master
打开主Master和备用Master WebUI页面，观察状态。
           

1. 注意点

   主备切换过程中不能提交Application。

   主备切换过程中不影响已经在集群中运行的Application。因为Spark是粗粒度资源调度。

2. 测试验证

   提交SparkPi程序，kill主Master观察现象。

./spark-submit 
--master spark://node1:7077,node2:7077 
--class org.apache.spark.examples.SparkPi 
../lib/spark-examples-1.6.0-hadoop2.6.0.jar 
10000
           

SparkShuffle

1. SparkShuffle概念

   reduceByKey会将上一个RDD中的每一个key对应的所有value聚合成一个value，然后生成一个新的RDD，元素类型是<key,value>对的形式，这样每一个key对应一个聚合起来的value。

   问题：聚合之前，每一个key对应的value不一定都是在一个partition中，也不太可能在同一个节点上，因为RDD是分布式的弹性的数据集，RDD的partition极有可能分布在各个节点上。

   如何聚合？

   • Shuffle Write：上一个stage的每个map task就必须保证将自己处理的当前分区的数据相同的key写入一个分区文件中，可能会写入多个不同的分区文件中。
   • Shuffle Read：reduce task就会从上一个stage的所有task所在的机器上寻找属于己的那些分区文件，这样就可以保证每一个key所对应的value都会汇聚到同一个节点上去处理和聚合。
   • Spark中有两种Shuffle管理类型，HashShufflManager和SortShuffleManager，Spark1.2之前是HashShuffleManager， Spark1.2引入SortShuffleManager,在Spark 2.0+版本中已经将HashShuffleManager丢弃。
2. HashShuffleManager
   • 普通机制

     

• 执行流程

  a)每一个map task将不同结果写到不同的buffer中，每个buffer的大小为 32K。buffer起到数据缓存的作用。

  b)每个buffer文件最后对应一个磁盘小文件。

  c)reduce task来拉取对应的磁盘小文件。

1. 总结

   ①.map task的计算结果会根据分区器（默认是hashPartitioner）来决定写入到哪一个磁盘小文件中去。ReduceTask会去Map端拉取相应的磁盘小文件。

   ②.产生的磁盘小文件的个数：

   M（map task的个数）*R（reduce task的个数）

2. 存在的问题

   产生的磁盘小文件过多，会导致以下问题：

   a)在Shuffle Write过程中会产生很多写磁盘小文件的对象。

   b)在Shuffle Read过程中会产生很多读取磁盘小文件的对象。

   c)在JVM堆内存中对象过多会造成频繁的gc,gc还无法解决运行所需要的内存 的话，就会OOM。

   d)在数据传输过程中会有频繁的网络通信，频繁的网络通信出现通信故障的可能性大大增加，一旦网络通信出现了故障会导致shuffle file cannot find 由于这个错误导致的task失败，TaskScheduler不负责重试，由DAGScheduler负责重试Stage。

• 合并机制

  合并机制示意图

  

  总结：

  产生磁盘小文件的个数：C(core的个数)*R（reduce的个数）

1. SortShuffleManager
   • 普通机制
   • 普通机制示意图

     

• 执行流程

  a)map task 的计算结果会写入到一个内存数据结构里面，内存数据结构默认是5M

  b)在shuffle的时候会有一个定时器，不定期的去估算这个内存结构的大小，当内存结构中的数据超过5M时，比如现在内存结构中的数据为5.01M，那么他会申请5.01*2-5=5.02M内存给内存数据结构。

  c)如果申请成功不会进行溢写，如果申请不成功，这时候会发生溢写磁盘。

  d)在溢写之前内存结构中的数据会进行排序分区

  e)然后开始溢写磁盘，写磁盘是以batch的形式去写，一个batch是1万条数据，

  f)map task执行完成后，会将这些磁盘小文件合并成一个大的磁盘文件，同时生成一个索引文件。

  reduce task去map端拉取数据的时候，首先解析索引文件，根据索引文件再去拉取对应的数据。

• 总结

  产生磁盘小文件的个数： 2*M（map task的个数）

• bypass机制
• bypass机制示意图

  

• 总结

  bypass运行机制的触发条件如下：

  shuffle reduce task的数量小于spark.shuffle.sort.bypassMergeThreshold的参数值。这个值默认是200。

  产生的磁盘小文件为：2*M（map task的个数）

Shuffle文件寻址

1. MapOutputTracker

   MapOutputTracker是Spark架构中的一个模块，是一个主从架构。管理磁盘小文件的地址。

   MapOutputTrackerMaster是主对象，存在于Driver中。

   MapOutputTrackerWorker是从对象，存在于Excutor中。

2. BlockManager

   BlockManager块管理者，是Spark架构中的一个模块，也是一个主从架构。

   BlockManagerMaster,主对象，存在于Driver中。

   BlockManagerMaster会在集群中有用到广播变量和缓存数据或者删除缓存数据的时候，通知BlockManagerSlave传输或者删除数据。

   BlockManagerSlave，从对象，存在于Excutor中。

   BlockManagerSlave会与BlockManagerSlave之间通信。

   无论在Driver端的BlockManager还是在Excutor端的BlockManager都含有三个对象：

   ①DiskStore:负责磁盘的管理。

   ②MemoryStore：负责内存的管理。

   ③BlockTransferService:负责数据的传输。

3. Shuffle文件寻址图

   

4. Shuffle文件寻址流程

   a)当map task执行完成后，会将task的执行情况和磁盘小文件的地址封装到MpStatus对象中，通过MapOutputTrackerWorker对象向Driver中的MapOutputTrackerMaster汇报。

   b)在所有的map task执行完毕后，Driver中就掌握了所有的磁盘小文件的地址。

   c)在reduce task执行之前，会通过Excutor中MapOutPutTrackerWorker向Driver端的MapOutputTrackerMaster获取磁盘小文件的地址。

   d)获取到磁盘小文件的地址后，会通过BlockManager连接数据所在节点，然后通过BlockTransferService进行数据的传输。

   e)BlockTransferService默认启动5个task去节点拉取数据。默认情况下，5个task拉取数据量不能超过48M。

Spark内存管理

• 概念

  Spark执行应用程序时，Spark集群会启动Driver和Executor两种JVM进程，Driver负责创建SparkContext上下文，提交任务，task的分发等。Executor负责task的计算任务，并将结果返回给Driver。同时需要为需要持久化的RDD提供储存。Driver端的内存管理比较简单，这里所说的Spark内存管理针对Executor端的内存管理。

  Spark内存管理分为静态内存管理和统一内存管理，Spark1.6之前使用的是静态内存管理，Spark1.6之后引入了统一内存管理。

  静态内存管理中存储内存、执行内存和其他内存的大小在 Spark 应用程序运行期间均为固定的，但用户可以应用程序启动前进行配置。

  统一内存管理与静态内存管理的区别在于储存内存和执行内存共享同一块空间，可以互相借用对方的空间。

  Spark1.6以上版本默认使用的是统一内存管理，可以通过参数spark.memory.useLegacyMode 设置为true(默认为false)使用静态内存管理。

  静态内存管理分布图

  

  统一内存管理分布图

  

• reduce 中OOM如何处理？

  1)减少每次拉取的数据量

  2)提高shuffle聚合的内存比例

  3)提高Excutor的总内存

Shuffle调优

1. SparkShuffle调优配置项如何使用？

   1)在代码中,不推荐使用，硬编码。

   new SparkConf().set(“spark.shuffle.file.buffer”,”64”)

   2)在提交spark任务的时候，推荐使用。

   spark-submit --conf spark.shuffle.file.buffer=64 –conf ….

   3)在conf下的spark-default.conf配置文件中,不推荐，因为是写死后所有应 用程序都要用。