Spark調優

由於大部分Spark計算都是在記憶體中完成的，所以Spark程式的瓶頸可能由叢集中任意一種資源導致，如：CPU、網路頻寬、或者記憶體等。最常見的情況是，資料能裝進記憶體，而瓶頸是網路頻寬；當然，有時候我們也需要做一些優化調整來減少記憶體佔用，例如將RDD以序列化格式儲存（storing RDDs in serialized form）。本文將主要涵蓋兩個主題：1.資料序列化（這對於優化網路效能極為重要）；2.減少記憶體佔用以及記憶體調優。同時，我們也會提及其他幾個比較小的主題。

資料序列化

序列化在任何一種分散式應用效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，或者需要佔用位元組很多，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著眼於要達到便利性（允許你在計算過程中使用任何Java型別）和效能的一個平衡。Spark主要提供了兩個序列化庫：

• Java serialization: 預設情況，Spark使用Java自帶的ObjectOutputStream 框架來序列化物件，這樣任何實現了 java.io.Externalizable 來控制序列化效能。Java序列化很靈活但效能較差，同時序列化後佔用的位元組數也較多。
• 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的序列化速度和位元組佔用都比Java序列化好很多（通常是10倍左右），但Kryo不支援所有實現了Serializable 介面的型別，它需要你在程式中 register 需要序列化的型別，以得到最佳效能。

要切換到使用 Kryo，你可以在 SparkConf 初始化的時候呼叫 conf.set(“spark.serializer”, “org.apache.spark.serializer.KryoSerializer”)。這個設定不僅控制各個worker節點之間的混洗資料序列化格式，同時還控制RDD存到磁碟上的序列化格式。目前，Kryo不是預設的序列化格式，因為它需要你在使用前註冊需要序列化的型別，不過我們還是建議在對網路敏感的應用場景下使用Kryo。

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

如果你的自定義型別需要使用Kryo序列化，可以用 registerKryoClasses 方法先註冊：

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

Kryo的文件（Kryo documentation ）中有詳細描述了更多的高階選項，如：自定義序列化程式碼等。

如果你的物件很大，你可能需要增大 spark.kryoserializer.buffer 配置項（config）。其值至少需要大於最大物件的序列化長度。

最後，如果你不註冊需要序列化的自定義型別，Kryo也能工作，不過每一個物件例項的序列化結果都會包含一份完整的類名，這有點浪費空間。

記憶體調優

記憶體佔用調優主要需要考慮3點：1.資料佔用的總記憶體（你多半會希望整個資料集都能裝進記憶體吧）；2.訪問資料集中每個物件的開銷；3.垃圾回收的開銷（如果你的資料集中物件週轉速度很快的話）。

一般，Java物件的訪問時很快的，但同時Java物件會比原始資料（僅包含各個欄位值）佔用的空間多2~5倍。主要原因有：

• 每個Java物件都有一個物件頭（object header），物件頭大約佔用16位元組，其中包含像其對應class的指標這樣的資訊。對於一些包含較少資料的物件（比如只包含一個Int欄位），這個物件頭可能比物件資料本身還大。
• Java字串（String）有大約40子節點額外開銷（Java String以Char資料的形式儲存原始資料，所以需要一些額外的欄位，如陣列長度等），並且每個字元都以兩位元組的UTF-16編碼在內部儲存。因此，10個字元的String很容易就佔了60位元組。
• 一些常見的集合類，如 HashMap、LinkedList，使用的是連結串列類資料結構，因此它們對每項資料都有一個包裝器。這些包裝器物件不僅其自身就有“物件頭”，同時還有指向下一個包裝器物件的連結串列指標（通常為8位元組）。
• 原始型別的集合通常也是以“裝箱”的形式包裝成物件（如：java.lang.Integer）。

本節只是Spark記憶體管理的一個概要，下面我們會更詳細地討論各種Spark記憶體調優的具體策略。特別地，我們會討論如何評估資料的記憶體使用量，以及如何改進 – 要麼改變你的資料結構，要麼以某種序列化格式儲存資料。最後，我們還會討論如何調整Spark的快取大小，以及如何調優Java的垃圾回收器。

記憶體管理概覽

Spark中記憶體主要用於兩類目的：執行計算和資料儲存。執行計算的記憶體主要用於混洗（Shuffle）、關聯（join）、排序（sort）以及聚合（aggregation），而資料儲存的記憶體主要用於快取和叢集內部資料傳播。Spark中執行計算和資料儲存都是共享同一個記憶體區域（M）。如果執行計算沒有佔用記憶體，那麼資料儲存可以申請佔用所有可用的記憶體，反之亦然。執行計算可能會搶佔資料儲存使用的記憶體，並將儲存於記憶體的資料逐出記憶體，直到資料儲存佔用的記憶體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，這個區域的記憶體資料永遠不會被逐出記憶體。然而，資料儲存不會搶佔執行計算的記憶體（否則實現太複雜了）。

這樣設計主要有這麼幾個需要考慮的點。首先，不需要快取資料的應用可以把整個空間用來執行計算，從而避免頻繁地把資料吐到磁碟上。其次，需要快取資料的應用能夠有一個數據儲存比例（R）的最低保證，也避免這部分快取資料被全部逐出記憶體。最後，這個實現方式能夠在預設情況下，為大多數使用場景提供合理的效能，而不需要專家級使用者來設定記憶體使用如何劃分。

雖然有兩個記憶體劃分相關的配置引數，但一般來說，使用者不需要設定，因為預設值已經能夠適用於絕大部分的使用場景：

• spark.memory.fraction 表示上面M的大小，其值為相對於JVM堆記憶體的比例（預設0.75）。剩餘的25%是為其他使用者資料結構、Spark內部元資料以及避免OOM錯誤的安全預留空間（大量稀疏資料和異常大的資料記錄）。
• spark.memory.storageFraction 表示上面R的大小，其值為相對於M的一個比例（預設0.5）。R是M中專門用於快取資料塊，且這部分資料塊永遠不會因執行計算任務而逐出記憶體。

評估記憶體消耗

確定一個數據集佔用記憶體總量最好的辦法就是，建立一個RDD，並快取到記憶體中，然後再到web UI上”Storage”頁面檢視。頁面上會展示這個RDD總共佔用了多少記憶體。

要評估一個特定物件的記憶體佔用量，可以用 SizeEstimator.estimate 方法。這個方法對試驗哪種資料結構能夠裁剪記憶體佔用量比較有用，同時，也可以幫助使用者瞭解廣播變數在每個執行器堆上佔用的記憶體量。

資料結構調優

減少記憶體消耗的首要方法就是避免過多的Java封裝（減少物件頭和額外輔助欄位），比如基於指標的資料結構和包裝物件等。以下有幾條建議：

1. 設計資料結構的時候，優先使用物件陣列和原生型別，減少對複雜集合型別（如：HashMap）的使用。fastutil 提供了一些很方便的原聲型別集合，同時相容Java標準庫。
2. 儘可能避免巢狀大量的小物件和指標。
3. 對應鍵值應儘量使用數值型或列舉型，而不是字串型。
4. 如果記憶體小於32GB，可以設定JVM標誌引數 -XX:+UseCompressdOops 將指標設為4位元組而不是8位元組。你可以在  

序列化RDD儲存

如果經過上面的調整後，儲存的資料物件還是太大，那麼你可以試試將這些物件以序列化格式儲存，所需要做的只是通過 RDD persistence API 設定好儲存級別，如：MEMORY_ONLY_SER。Spark會將RDD的每個分割槽以一個巨大的位元組陣列形式儲存起來。以序列化格式儲存的唯一缺點就是訪問資料會變慢一點，因為Spark需要反序列化每個被訪問的物件。如果你需要序列化快取資料，我們強烈建議你使用Kryo（using Kryo），和Java序列化相比，Kryo能大大減少序列化物件佔用的空間（當然也比原始Java物件小很多）。

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儲存經常需要“換入換出”（新RDD搶佔了老RDD記憶體，不過如果你的程式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，後續只是在這一個RDD上做操作）。當Java需要把老物件逐出記憶體的時候，JVM需要跟蹤所有的Java物件，並找出那些物件已經沒有用了。概括起來就是，垃圾回收的開銷和物件個數成正比，所以減少物件的個數（比如用 Int陣列取代 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，以序列化形式儲存資料，這時每個RDD分割槽都只包含有一個物件了（一個巨大的位元組陣列）。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記憶體和節點上儲存的RDD快取佔用的記憶體產生衝突，那麼GC很可能會出現問題。下面我們將討論一下如何控制好RDD快取使用的記憶體空間，以減少這種衝突。

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設定一下這幾個引數（參考Spark配置指南 –  configuration guide，檢視Spark作業中的Java選項引數）：-verbose:gc -XX:+PrintGCDetails，就可以在後續Spark作業的worker日誌中看到每次GC花費的時間。注意，這些日誌是在叢集worker節點上（在各節點的工作目錄下stdout檔案中），而不是你的驅動器所在節點。

高階GC調優

為了進一步調優GC，我們就需要對JVM記憶體管理有一個基本的瞭解：

• Java堆記憶體可分配的空間有兩個區域：新生代（Young generation）和老生代（Old generation）。新生代用以儲存生存週期短的物件，而老生代則是儲存生存週期長的物件。
• 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中的物件，生存下來（沒有被回收掉）的Eden中的物件和Survivor1區中的物件一併複製到Survivor2中。兩個Survivor區域是互相切換使用的（就是說，下次從Eden和Survivor2中複製到Survivor1中）。如果某個物件的年齡（每次GC所有生存下來的物件長一歲）超過某個閾值，或者Survivor2（下次是Survivor1）區域滿了，則將物件移到老生代（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 ）只儲存長生命週期RDD，而同時新生代（Young generation ）的空間又能足夠儲存短生命週期的物件。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的統計日誌中觀察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記憶體不夠。
• 如果GC統計資訊中顯示，老生代記憶體空間已經接近存滿，可以通過降低 spark.memory.storageFraction 來減少RDD快取佔用的記憶體；減少快取物件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記憶體。你可以把Eden的大小設為高於各個任務執行所需的工作記憶體。如果要把Eden大小設為E，則可以這樣設定新生代區域大小：-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上讀取資料，那麼單個任務的記憶體需求可以用其所讀取的HDFS資料塊的大小來評估。需要特別注意的是，解壓後的HDFS塊是解壓前的2~3倍大。所以如果我們希望保留3~4個任務並行的工作記憶體，並且HDFS塊大小為64MB，那麼可以評估Eden的大小應該設為 4*3*64MB。
• 最後，再觀察一下垃圾回收的啟動頻率和總耗時有沒有什麼變化。

我們的很多經驗表明，GC調優的效果和你的程式程式碼以及可用的總記憶體相關。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

並行度

一般來說叢集並不會滿負荷運轉，除非你吧每個操作的並行度都設得足夠大。Spark會自動根據對應的輸入檔案大小來設定“map”類運算元的並行度（當然你可以通過一個SparkContext.textFile等函式的可選引數來控制並行度），而對於想 groupByKey 或reduceByKey這類 “reduce” 運算元，會使用其各父RDD分割槽數的最大值。你可以將並行度作為構建RDD第二個引數（參考spark.PairRDDFunctions ），或者設定 spark.default.parallelism 這個預設值。一般來說，評估並行度的時候，我們建議2~3個任務共享一個CPU。

Reduce任務的記憶體佔用

如果RDD比記憶體要大，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）運算元（sortByKey，groupByKey，reduceByKey，join等）會在每個任務中構建一個雜湊表，以便在任務中對資料分組，這個雜湊表有時會很大。最簡單的修復辦法就是增大並行度，以減小單個任務的輸入集。Spark對於200ms以內的短任務支援非常好，因為Spark可以跨任務複用執行器JVM，任務的啟動開銷很小，因此把並行度增加到比叢集中總CPU核數還多是沒有任何問題的。

廣播大變數

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

資料本地性

資料本地性對Spark作業往往會有較大的影響。如果程式碼和其所操作的資料在統一節點上，那麼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，挪動序列化好的程式碼肯定比挪動一大堆資料要快。Spark就是基於這個一般性原則來構建資料本地性的排程。

資料本地性是指程式碼和其所處理的資料的距離。基於資料當前的位置，資料本地性可以劃分成以下幾個層次（按從近到遠排序）：

• PROCESS_LOCAL 資料和執行的程式碼處於同一個JVM程序內。
• NODE_LOCAL 資料和程式碼處於同一節點。例如，資料處於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，因為資料需要跨程序傳遞。
• NO_PREF 資料在任何地方處理都一樣，沒有本地性偏好。
• RACK_LOCAL 資料和程式碼處於同一個機架上的不同機器。這時，資料和程式碼處於不同機器上，需要通過網路傳遞，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 資料在網路中其他未知，即資料和程式碼不在同一個機架上。

Spark傾向於讓所有任務都具有最佳的資料本地性，但這並非總是可行的。某些情況下，可能會出現一些空閒的執行器（executor）沒有待處理的資料，那麼Spark可能就會犧牲一些資料本地性。有兩種可能的選項：a）等待已經有任務的CPU，待其釋放後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，並把所需要的資料複製過去。

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並將所需的資料複製過去。資料本地性各個級別之間的回落超時可以單獨配置，也可以在統一引數內一起設定；詳細請參考 configuration page 中的 spark.locality 相關引數。如果你的任務執行時間比較長並且資料本地性很差，你就應該試試調大這幾個引數，不過預設值一般都能適用於大多數場景了。

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，資料序列化和記憶體調優。對於絕大多數應用來說，用Kryo格式序列化資料能夠解決大多數的效能問題。如果您有其他關於效能調優最佳實踐的問題，歡迎郵件諮詢（Spark mailing list ）。