Spark調優

由于大部分Spark計算都是在內存中完成的，所以Spark程序的瓶頸可能由集群中任意一種資源導致，如：CPU、網絡帶寬、或者內存等。最常見的情況是，數據能裝進內存，而瓶頸是網絡帶寬；當然，有時候我們也需要做一些優化調整來減少內存占用，例如將RDD以序列化格式保存（storing RDDs in serialized form）。本文將主要涵蓋兩個主題：1.數據序列化（這對于優化網絡性能極為重要）；2.減少內存占用以及內存調優。同時，我們也會提及其他幾個比較小的主題。

數據序列化

序列化在任何一種分布式應用性能優化時都扮演幾位重要的角色。如果序列化格式序列化過程緩慢，或者需要占用字節很多，都會大大拖慢整體的計算效率。通常，序列化都是Spark應用優化時首先需要關注的地方。Spark著眼于要達到便利性（允許你在計算過程中使用任何Java類型）和性能的一個平衡。Spark主要提供了兩個序列化庫：

• Java serialization: 默認情況，Spark使用Java自帶的ObjectOutputStream 框架來序列化對象，這樣任何實現了 java.io.Serializable 接口的對象，都能被序列化。同時，你還可以通過擴展 java.io.Externalizable 來控制序列化性能。Java序列化很靈活但性能較差，同時序列化后占用的字節數也較多。
• Kryo serialization: Spark還可以使用Kryo 庫（版本2）提供更高效的序列化格式。Kryo的序列化速度和字節占用都比Java序列化好很多（通常是10倍左右），但Kryo不支持所有實現了Serializable 接口的類型，它需要你在程序中 register 需要序列化的類型，以得到最佳性能。

要切換到使用 Kryo，你可以在 SparkConf 初始化的時候調用 conf.set(“spark.serializer”, “org.apache.spark.serializer.KryoSerializer”)。這個設置不僅控制各個worker節點之間的混洗數據序列化格式，同時還控制RDD存到磁盤上的序列化格式。目前，Kryo不是默認的序列化格式，因為它需要你在使用前注冊需要序列化的類型，不過我們還是建議在對網絡敏感的應用場景下使用Kryo。

Spark對一些常用的Scala核心類型（包括在Twitter chill 庫的AllScalaRegistrar中）自動使用Kryo序列化格式。

如果你的自定義類型需要使用Kryo序列化，可以用 registerKryoClasses 方法先注冊：

val conf = new SparkConf().setMaster(...).setAppName(...)
conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]))
val sc = new SparkContext(conf)

Kryo的文檔（Kryo documentation ）中有詳細描述了更多的高級選項，如：自定義序列化代碼等。

如果你的對象很大，你可能需要增大 spark.kryoserializer.buffer 配置項（config）。其值至少需要大于最大對象的序列化長度。

最后，如果你不注冊需要序列化的自定義類型，Kryo也能工作，不過每一個對象實例的序列化結果都會包含一份完整的類名，這有點浪費空間。

內存調優

內存占用調優主要需要考慮3點：1.數據占用的總內存（你多半會希望整個數據集都能裝進內存吧）；2.訪問數據集中每個對象的開銷；3.垃圾回收的開銷（如果你的數據集中對象周轉速度很快的話）。

一般，Java對象的訪問時很快的，但同時Java對象會比原始數據（僅包含各個字段值）占用的空間多2~5倍。主要原因有：

• 每個Java對象都有一個對象頭（object header），對象頭大約占用16字節，其中包含像其對應class的指針這樣的信息。對于一些包含較少數據的對象（比如只包含一個Int字段），這個對象頭可能比對象數據本身還大。
• Java字符串（String）有大約40子節點額外開銷（Java String以Char數據的形式保存原始數據，所以需要一些額外的字段，如數組長度等），并且每個字符都以兩字節的UTF-16編碼在內部保存。因此，10個字符的String很容易就占了60字節。
• 一些常見的集合類，如 HashMap、LinkedList，使用的是鏈表類數據結構，因此它們對每項數據都有一個包裝器。這些包裝器對象不僅其自身就有“對象頭”，同時還有指向下一個包裝器對象的鏈表指針（通常為8字節）。
• 原始類型的集合通常也是以“裝箱”的形式包裝成對象（如：java.lang.Integer）。

本節只是Spark內存管理的一個概要，下面我們會更詳細地討論各種Spark內存調優的具體策略。特別地，我們會討論如何評估數據的內存使用量，以及如何改進 – 要么改變你的數據結構，要么以某種序列化格式存儲數據。最后，我們還會討論如何調整Spark的緩存大小，以及如何調優Java的垃圾回收器。

內存管理概覽

Spark中內存主要用于兩類目的：執行計算和數據存儲。執行計算的內存主要用于混洗（Shuffle）、關聯（join）、排序（sort）以及聚合（aggregation），而數據存儲的內存主要用于緩存和集群內部數據傳播。Spark中執行計算和數據存儲都是共享同一個內存區域（M）。如果執行計算沒有占用內存，那么數據存儲可以申請占用所有可用的內存，反之亦然。執行計算可能會搶占數據存儲使用的內存，并將存儲于內存的數據逐出內存，直到數據存儲占用的內存比例降低到一個指定的比例（R）。換句話說，R是M基礎上的一個子區域，這個區域的內存數據永遠不會被逐出內存。然而，數據存儲不會搶占執行計算的內存（否則實現太復雜了）。

這樣設計主要有這么幾個需要考慮的點。首先，不需要緩存數據的應用可以把整個空間用來執行計算，從而避免頻繁地把數據吐到磁盤上。其次，需要緩存數據的應用能夠有一個數據存儲比例（R）的最低保證，也避免這部分緩存數據被全部逐出內存。最后，這個實現方式能夠在默認情況下，為大多數使用場景提供合理的性能，而不需要專家級用戶來設置內存使用如何劃分。

雖然有兩個內存劃分相關的配置參數，但一般來說，用戶不需要設置，因為默認值已經能夠適用于絕大部分的使用場景：

• spark.memory.fraction 表示上面M的大小，其值為相對于JVM堆內存的比例（默認0.75）。剩余的25%是為其他用戶數據結構、Spark內部元數據以及避免OOM錯誤的安全預留空間（大量稀疏數據和異常大的數據記錄）。
• spark.memory.storageFraction 表示上面R的大小，其值為相對于M的一個比例（默認0.5）。R是M中專門用于緩存數據塊，且這部分數據塊永遠不會因執行計算任務而逐出內存。

評估內存消耗

確定一個數據集占用內存總量最好的辦法就是，創建一個RDD，并緩存到內存中，然后再到web UI上”Storage”頁面查看。頁面上會展示這個RDD總共占用了多少內存。

要評估一個特定對象的內存占用量，可以用 SizeEstimator.estimate 方法。這個方法對試驗哪種數據結構能夠裁剪內存占用量比較有用，同時，也可以幫助用戶了解廣播變量在每個執行器堆上占用的內存量。

數據結構調優

減少內存消耗的首要方法就是避免過多的Java封裝（減少對象頭和額外輔助字段），比如基于指針的數據結構和包裝對象等。以下有幾條建議：

1. 設計數據結構的時候，優先使用對象數組和原生類型，減少對復雜集合類型（如：HashMap）的使用。fastutil 提供了一些很方便的原聲類型集合，同時兼容Java標準庫。
2. 盡可能避免嵌套大量的小對象和指針。
3. 對應鍵值應盡量使用數值型或枚舉型，而不是字符串型。
4. 如果內存小于32GB，可以設置JVM標志參數 -XX:+UseCompressdOops 將指針設為4字節而不是8字節。你可以在  spark-env.sh 中設置這個參數。

序列化RDD存儲

如果經過上面的調整后，存儲的數據對象還是太大，那么你可以試試將這些對象以序列化格式存儲，所需要做的只是通過 RDD persistence API 設置好存儲級別，如：MEMORY_ONLY_SER。Spark會將RDD的每個分區以一個巨大的字節數組形式存儲起來。以序列化格式存儲的唯一缺點就是訪問數據會變慢一點，因為Spark需要反序列化每個被訪問的對象。如果你需要序列化緩存數據，我們強烈建議你使用Kryo（using Kryo），和Java序列化相比，Kryo能大大減少序列化對象占用的空間（當然也比原始Java對象小很多）。

垃圾回收調優

JVM的垃圾回收在某些情況下可能會造成瓶頸，比如，你的RDD存儲經常需要“換入換出”（新RDD搶占了老RDD內存，不過如果你的程序沒有這種情況的話那JVM垃圾回收一般不是問題，比如，你的RDD只是載入一次，后續只是在這一個RDD上做操作）。當Java需要把老對象逐出內存的時候，JVM需要跟蹤所有的Java對象，并找出那些對象已經沒有用了。概括起來就是，垃圾回收的開銷和對象個數成正比，所以減少對象的個數（比如用 Int數組取代 LinkedList），就能大大減少垃圾回收的開銷。當然，一個更好的方法就如前面所說的，以序列化形式存儲數據，這時每個RDD分區都只包含有一個對象了（一個巨大的字節數組）。在嘗試其他技術方案前，首先可以試試用序列化RDD的方式（serialized caching）評估一下GC是不是一個瓶頸。

如果你的作業中各個任務需要的工作內存和節點上存儲的RDD緩存占用的內存產生沖突，那么GC很可能會出現問題。下面我們將討論一下如何控制好RDD緩存使用的內存空間，以減少這種沖突。

衡量GC的影響

GC調優的第一步是統計一下，垃圾回收啟動的頻率以及GC所使用的總時間。給JVM設置一下這幾個參數（參考Spark配置指南 –  configuration guide，查看Spark作業中的Java選項參數）：-verbose:gc -XX:+PrintGCDetails，就可以在后續Spark作業的worker日志中看到每次GC花費的時間。注意，這些日志是在集群worker節點上（在各節點的工作目錄下stdout文件中），而不是你的驅動器所在節點。

高級GC調優

為了進一步調優GC，我們就需要對JVM內存管理有一個基本的了解：

• Java堆內存可分配的空間有兩個區域：新生代（Young generation）和老生代（Old generation）。新生代用以保存生存周期短的對象，而老生代則是保存生存周期長的對象。
• 新生代區域被進一步劃分為三個子區域：Eden，Survivor1，Survivor2。
• 簡要描述一下垃圾回收的過程：如果Eden區滿了，則啟動一輪minor GC回收Eden中的對象，生存下來（沒有被回收掉）的Eden中的對象和Survivor1區中的對象一并復制到Survivor2中。兩個Survivor區域是互相切換使用的（就是說，下次從Eden和Survivor2中復制到Survivor1中）。如果某個對象的年齡（每次GC所有生存下來的對象長一歲）超過某個閾值，或者Survivor2（下次是Survivor1）區域滿了，則將對象移到老生代（Old區）。最終如果老生代也滿了，就會啟動full GC。

Spark GC調優的目標就是確保老生代（Old generation ）只保存長生命周期RDD，而同時新生代（Young generation ）的空間又能足夠保存短生命周期的對象。這樣就能在任務執行期間，避免啟動full GC。以下是GC調優的主要步驟：

• 從GC的統計日志中觀察GC是否啟動太多。如果某個任務結束前，多次啟動了full GC，則意味著用以執行該任務的內存不夠。
• 如果GC統計信息中顯示，老生代內存空間已經接近存滿，可以通過降低 spark.memory.storageFraction 來減少RDD緩存占用的內存；減少緩存對象總比任務執行緩慢要強！
• 如果major GC比較少，但minor GC很多的話，可以多分配一些Eden內存。你可以把Eden的大小設為高于各個任務執行所需的工作內存。如果要把Eden大小設為E，則可以這樣設置新生代區域大小：-Xmn=4/3*E。（放大4/3倍，主要是為了給Survivor區域保留空間）
• 舉例來說，如果你的任務會從HDFS上讀取數據，那么單個任務的內存需求可以用其所讀取的HDFS數據塊的大小來評估。需要特別注意的是，解壓后的HDFS塊是解壓前的2~3倍大。所以如果我們希望保留3~4個任務并行的工作內存，并且HDFS塊大小為64MB，那么可以評估Eden的大小應該設為 4*3*64MB。
• 最后，再觀察一下垃圾回收的啟動頻率和總耗時有沒有什么變化。

我們的很多經驗表明，GC調優的效果和你的程序代碼以及可用的總內存相關。網上還有不少調優的選項說明（many more tuning options），但總體來說，就是控制好full GC的啟動頻率，就能有效減少垃圾回收開銷。

其他注意事項

并行度

一般來說集群并不會滿負荷運轉，除非你吧每個操作的并行度都設得足夠大。Spark會自動根據對應的輸入文件大小來設置“map”類算子的并行度（當然你可以通過一個SparkContext.textFile等函數的可選參數來控制并行度），而對于想 groupByKey 或reduceByKey這類 “reduce” 算子，會使用其各父RDD分區數的最大值。你可以將并行度作為構建RDD第二個參數（參考spark.PairRDDFunctions ），或者設置 spark.default.parallelism 這個默認值。一般來說，評估并行度的時候，我們建議2~3個任務共享一個CPU。

Reduce任務的內存占用

如果RDD比內存要大，有時候你可能收到一個OutOfMemoryError，但其實這是因為你的任務集中的某個任務太大了，如reduce任務groupByKey。Spark的混洗（Shuffle）算子（sortByKey，groupByKey，reduceByKey，join等）會在每個任務中構建一個哈希表，以便在任務中對數據分組，這個哈希表有時會很大。最簡單的修復辦法就是增大并行度，以減小單個任務的輸入集。Spark對于200ms以內的短任務支持非常好，因為Spark可以跨任務復用執行器JVM，任務的啟動開銷很小，因此把并行度增加到比集群中總CPU核數還多是沒有任何問題的。

廣播大變量

使用SparkContext中的廣播變量相關功能（broadcast functionality）能大大減少每個任務本身序列化的大小，以及集群中啟動作業的開銷。如果你的Spark任務正在使用驅動器（driver）程序中定義的巨大對象（比如：靜態查詢表），請考慮使用廣播變量替代之。Spark會在master上將各個任務的序列化后大小打印出來，所以你可以檢查一下各個任務是否過大；通常來說，大于20KB的任務就值得優化一下。

數據本地性

數據本地性對Spark作業往往會有較大的影響。如果代碼和其所操作的數據在統一節點上，那么計算速度肯定會更快一些。但如果二者不在一起，那必然需要挪動其中之一。一般來說，挪動序列化好的代碼肯定比挪動一大堆數據要快。Spark就是基于這個一般性原則來構建數據本地性的調度。

數據本地性是指代碼和其所處理的數據的距離。基于數據當前的位置，數據本地性可以劃分成以下幾個層次（按從近到遠排序）：

• PROCESS_LOCAL 數據和運行的代碼處于同一個JVM進程內。
• NODE_LOCAL 數據和代碼處于同一節點。例如，數據處于HDFS上某個節點，而對應的執行器（executor）也在同一個機器節點上。這會比PROCESS_LOCAL稍微慢一些，因為數據需要跨進程傳遞。
• NO_PREF 數據在任何地方處理都一樣，沒有本地性偏好。
• RACK_LOCAL 數據和代碼處于同一個機架上的不同機器。這時，數據和代碼處于不同機器上，需要通過網絡傳遞，但還是在同一個機架上，一般也就通過一個交換機傳輸即可。
• ANY 數據在網絡中其他未知，即數據和代碼不在同一個機架上。

Spark傾向于讓所有任務都具有最佳的數據本地性，但這并非總是可行的。某些情況下，可能會出現一些空閑的執行器（executor）沒有待處理的數據，那么Spark可能就會犧牲一些數據本地性。有兩種可能的選項：a）等待已經有任務的CPU，待其釋放后立即在同一臺機器上啟動一個任務；b）立即在其他節點上啟動新任務，并把所需要的數據復制過去。

而通常，Spark會等待一小會，看看是否有CPU會被釋放出來。一旦等待超時，則立即在其他節點上啟動并將所需的數據復制過去。數據本地性各個級別之間的回落超時可以單獨配置，也可以在統一參數內一起設定；詳細請參考 configuration page 中的 spark.locality 相關參數。如果你的任務執行時間比較長并且數據本地性很差，你就應該試試調大這幾個參數，不過默認值一般都能適用于大多數場景了。

總結

本文是一個簡短的Spark調優指南，列舉了Spark應用調優一些比較重要的考慮點 – 最重要的就是，數據序列化和內存調優。對于絕大多數應用來說，用Kryo格式序列化數據能夠解決大多數的性能問題。如果您有其他關于性能調優最佳實踐的問題，歡迎郵件咨詢（Spark mailing list ）。

該文轉自 http://ifeve.com/spark-tuning/

官方英文地址 http://spark.apache.org/docs/latest/tuning.html