数据倾斜调优与shuffle调优
数据倾斜发生时的现象
1）个别task的执行速度明显慢于绝大多数task(常见情况)
2）spark作业突然报OOM异常(少见情况)
数据倾斜发生的原理
在进行shuffle的时候，必须将各个节点上相同的key拉取到某个节点上的一个task来进行处理。此时如果某个key对应的数据量特别大的话，就会发生数据倾斜。以至于大部分task只需几分钟，而个别task需要几小时，导致整个task作业需要几个小时才能运行完成。而且如果某个task数据量特别大的时候，甚至会导致内存溢出的情况。
定位数据倾斜发生的位置
数据倾斜只会发生在shuffle过程中，因此我们要先确定数据倾斜发生在第几个stage中，我们可以通过Web UI来查看当前运行到了第一个stage，以及该stage中各个task分配的数据量，来确定是不是由数据分配不均导致的数据倾斜。
一旦确定数据倾斜是由数据分配不均导致，下一步就要确定数据倾斜发生在哪一个stage之后，根据代码中的shuffle算子，推算出stage与代码的对应关系，判定数据倾斜发生的位置。
数据倾斜的解决方案
1）使用Hive ETL预处理数据
适用场景：Hive里的源数据本身就不均匀，并且需要对Hive表频繁进行shuffle操作
解决方案：在Hive中预先对数据按照key进行聚合或是和其他表进行join，这样Spark处理的表就不是原来数据不均匀的表了
优点：在Hive中预先完成了数据的聚合操作，Spark中不再需要进行shuffle操作，完全规避了数据倾斜
缺点：只是让数据倾斜的问题提前发生了，预处理的速度还是很慢
2）过滤少数导致倾斜的key
适用场景：确定了导致数据倾斜的key只有少数几个，而且对数据计算本身的影响并不大
解决方案：使用sample算子对RDD进行采样，取出数据量最多的可以，在Spark SQL中使用where子句或是RDD中使用filter算子直接过滤掉这几个key
优点：实现简单，完全规避掉了数据倾斜
缺点：适用场景很少，不常见
3）提高shuffle操作的并行度
适用场景：数据倾斜不可避免，这是处理数据倾斜最简单的一种方案
解决方案：在对RDD执行shuffle算子时，给shuffle算子传入参数，设置shuffle read task的数量。Spark SQL中可以设置参数spark.sql.shuffle.partitions，该值默认是200，但对于很多场景来说比较小。或是在RDD的shuffle算子传入参数，比如reduceByKey(1000)
优点：实现简单，有效减轻数据倾斜带来的影响
缺点：效果有限，通常无法彻底解决数据倾斜的问题
4）两阶段聚合（局部+全局）
适用场景：在Spark SQL中使用group by进行分组或是在RDD中使用reduceByKey等聚合类操作时
解决方案：将原本相同的key通过附加随机前缀的方式，变成多个不同的key，让原本被一个task处理的数据分散到多个task上去做局部聚合。然后去掉随机前缀，做全局聚合。
优点：对于聚合类shuffle操作导致的数据倾斜，通常可以解决问题，将Saprk作业的性能提升数倍
缺点：仅仅适用于聚合类shuffle操作，适用范围较窄
5）将reduce join转为map join
适用场景：在进行join操作时，其中的一个RDD或表数据量较小
解决方案：不适用shuffle类算子的操作，而使用Broadcast变量与map类算子实现join操作，规避掉shuffle类操作。将较小的RDD中的算子通过collect算子拉取到Driver端，然后对其创建一个Broadcast变量。接着对另一个RDD执行map，获取Broadcast变量中的数据，通过比较key是否相同，将两个RDD进行连接
优点：避免了shuffle操作导致的数据倾斜
缺点：仅适用于一个大表和一个小表的情况，使用场景较少
6）采样倾斜key并分拆join操作
适用场景：在进行join操作时，两个RDD或表数据量都比较大，但是其中一个RDD或表数据量中的key比较均匀，另外一个RDD或表中只有少数几个key数据量过大
解决方案：对包含少数几个数据量过大的key的那个RDD，通过sample算子采样出一份样本，统计出数据量较大的几个key，将这几个key打上随机前缀，拆分出来形成一个单独的RDD，另外一个表中对于这几个key进行同样的操作，这两对RDD进行单独join，然后使用union算子进行合并
优点：对于join导致的数据倾斜，并且只是几个key所导致的，这个方案可以有效解决问题
缺点：无法解决导致倾斜的key过多的情况
7）使用随机前缀和扩容RDD进行join
适用场景：RDD中有大量导致数据倾斜的key
解决方案：与方案六相同，但是是对所有的数据打上随机前缀
优点：效果显著，对新跟那个提升效果明显
缺点：因为数据量大幅增加，对内存资源要求较高
总结
大多数Spark作业的性能主要就消耗在了shuffle环节，该环节包含了大量的磁盘IO、序列化、网络传输等操作。因此，想要让作业的性能更高，就要对shuffle过程进行调优。但是shuffle调优只是Spark性能优化的一小部分，最重要的还是在开发阶段，通过调节资源参数，尽量避免shuffle操作来对作业的性能进行优化，千万不要舍本逐末
Shuffle的原理
在Spark的源码中，负责shuffle过程的执行、计算和处理的组件主要就是ShuffleManager，也即shuffle管理器。而随着Spark的版本的发展，ShuffleManager也在不断迭代，变得越来越先进。
在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager。HashShuffleManager有着一个非常严重的弊端，就是会产生大量的中间磁盘文件，进而有大量的磁盘IO操作影响了性能。
在Spark 1.2以后的版本中，默认的ShuffleManager改成了SortShuffleManager，相较HashShuffleManager来说，有了一定的改进。主要就在于，每个Task在进行shuffle操作时，虽然也会产生较多的临时磁盘文件，但是最后会将所有的临时文件合并（merge）成一个磁盘文件，因此每个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可。
未经优化的HashShuffleManager
上图说明了未经优化的HashShuffleManager的原理。这里我们先明确一个假设前提：每个Executor只有1个CPU core，也就是说，无论这个Executor上分配多少个task线程，同一时间 都只能执行一个task线程。
我们先从shuffle write开始说起。shuffle write阶段，主要就是在一个stage结束计算之后，为 了下一个stage可以执行shuffle类的算子（比如reduceByKey），而将每个task处理的数据按key进行“分类”。所谓“分类”，就是对相同的key执行hash算法，从而将相同key都写入同一个磁盘文件中，而每一个磁盘文件都只属于下游stage的一个task。在将数据写入磁盘之前，会先将数据写入内存缓冲中，当内存缓冲填满之后，才会溢写到磁盘文件中去。那么每个执行shuffle write的task，要为下一个stage创建多少个磁盘文件呢？很简单，下一个stage的task有多少个，当前stage的每个task就要创建多少份磁盘文件。因此，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。
接着我们来说说shuffle read。shuffle read，通常就是一个stage刚开始时要做的事情。此时该stage的每一个task就需要将上一个stage的计算结果中的所有相同key，从各个节点上通过网络都拉取到自己所在的节点上，然后进行key的聚合或连接等操作。由于shuffle write的过程中，task给下游stage的每个task都创建了一个磁盘文件，因此shuffle read的过程中，每个task只要从上游stage的所有task所在节点上，拉取属于自己的那一个磁盘文件即可。shuffle read的拉取过程是一边拉取一边进行聚合的。每个shuffle read task都会有一个自己的buffer缓冲，每次都只能拉取与buffer缓冲相同大小的数据，然后通过内存中的一个Map进行聚合等操作。聚合完一批数据后，再拉取下一批数据，并放到buffer缓冲中进行聚合操作。以此类推，直到最后将所有数据到拉取完，并得到最终的结果。
优化后的HashShuffleManager
上图说明了优化后的HashShuffleManager的原理。这里说的优化，是指我们可以设置一个参数，spark.shuffle.consolidateFiles。该参数默认值为false，将其设置为true即可开启优化机制。通常来说，如果我们使用HashShuffleManager，那么都建议开启这个选项。开启consolidate机制之后，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，磁盘文件的数量与下游stage的task数量是相同的，一个Executor上有多少个CPU core，就可以并行执行多少个task。而第一批并行执行的每个task都会创建一个shuffleFileGroup，并将数据写入对应的磁盘文件内。
当Executor的CPU core执行完一批task，接着执行下一批task时，下一批task就会复用之前已 有的shuffleFileGroup，包括其中的磁盘文件。也就是说，此时task会将数据写入已有的磁盘文件中，而不会写入新的磁盘文件中。因此，consolidate机制允许不同的task复用同一批磁盘文件，这样就可以有效将多个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shuffle write的性能。
SortShuffleManager运行原理
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 read 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。
普通运行机制
上图说明了普通的SortShuffleManager的原理。在该模式下，数据会先写入一个内存数据结构中，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。接着，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。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。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。写入磁盘文件是通过Java的BufferedOutputStream实现的。BufferedOutputStream是Java的缓冲输出流，首先会将数据缓冲在内存中，当内存缓冲满溢之后再一次写入磁盘文件中，这样可以减少磁盘IO次数，提升性能。 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，这就是merge过程，此时会将之前所有临时磁盘文件中的数据读取出来，然后依次写入最终的磁盘文件之中。此外，由于一个task就只对应一个磁盘文件，也就意味着该task为下游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。
bypass运行机制
上图说明了bypass SortShuffleManager的原理。bypass运行机制的触发条件如下：* shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值。* 不是聚合类的shuffle算子（比如reduceByKey）。 此时task会为每个下游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：第一，磁盘写机制不同；第二，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。
shuffle相关参数调优
spark.shuffle.file.buffer
//默认值32k
//该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小。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。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
//默认值48m
//：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。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
//默认值3
//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。如果在指定次数之内拉取还是没有成功，就可能会导致作业执行失败。对于那些包含了特别耗时的shuffle操作的作业，建议增加重试最大次数（比如60次），以避免由于JVM的full gc或者网络不稳定等因素导致的数据拉取失败。在实践中发现，对于针对超大数据量（数十亿~上百亿）的shuffle过程，调节该参数可以大幅度提升稳定性。spark.shuffle.io.retryWait
//默认值5s
//具体解释同上，该参数代表了每次重试拉取数据的等待间隔，默认是5s。建议加大间隔时长（比如60s），以增加shuffle操作的稳定性。spark.shuffle.memoryFraction
//默认值0.2
//该参数代表了Executor内存中，分配给shuffle read task进行聚合操作的内存比例，默认是
20%。在资源参数调优中讲解过这个参数。如果内存充足，而且很少使用持久化操作，建议调高这
个比例，给shuffle read的聚合操作更多内存，以避免由于内存不足导致聚合过程中频繁读写磁盘。在实践中发现，合理调节该参数可以将性能提升10%左右。spark.shuffle.manager
//默认值sort
//该参数用于设置ShuffleManager的类型。Spark 1.5以后，有三个可选项：hash、sort和
tungsten-sort。HashShuffleManager是Spark 1.2以前的默认选项，但是Spark 1.2以及之后的版本默认都是SortShuffleManager了。tungsten-sort与sort类似，但是使用了tungsten计划中的堆外内存管理机制，内存使用效率更高。由于SortShuffleManager默认会对数据进行排序，因此如果你的业务逻辑中需要该排序机制的话，则使用默认的SortShuffleManager就可以；而如果你的业务逻辑不需要对数据进行排序，那么建议参考后面的几个参数调优，通过bypass机制或优化的HashShuffleManager来避免排序操作，同时提供较好的磁盘读写性能。这里要注意的是，tungsten-sort要慎用，因为之前发现了一些相应的bug。spark.shuffle.sort.bypassMergeThreshold
//默认值200
//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，而是直接按照未经优化的HashShuffleManager的方式去写数据，但是最后会将每个task产生的所有临时磁盘文件都合并成一个文件，并会创建单独的索引文件。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，大于shuffle read task的数量。那么此时就会自动启用bypass机制，map-side就不会进行排序了，减少了排序的性能开销。但是这种方式下，依然会产生大量的磁盘文件，因此shuffle write性能有待提高。spark.shuffle.consolidateFiles
//默认值false
//如果使用HashShuffleManager，该参数有效。如果设置为true，那么就会开启consolidate机制，会大幅度合并shuffle write的输出文件，对于shuffle read task数量特别多的情况下，这种方法可以极大地减少磁盘IO开销，提升性能。如果的确不需要SortShuffleManager的排序机制，那么除了使用bypass机制，还可以尝试将spark.shffle.manager参数手动指定为hash，使用HashShuffleManager，同时开启consolidate机制。在实践中尝试过，发现其性能比开启了bypass机制的SortShuffleManager要高出10%~30%。
摘自:Spark性能优化指南——高级篇 – 美团技术团队
