【DataMagic】如何在萬億級別規模的資料量上使用Spark

騰訊雲加社群發表於2018-04-18
Spark

歡迎大家前往騰訊雲+社群，獲取更多騰訊海量技術實踐乾貨哦~

本文首發在雲+社群，未經許可，不得轉載。

作者：張國鵬 | 騰訊 運營開發工程師

一、前言

Spark作為大資料計算引擎，憑藉其快速、穩定、簡易等特點，快速的佔領了大資料計算的領域。本文主要為作者在搭建使用計算平臺的過程中，對於Spark的理解，希望能給讀者一些學習的思路。文章內容為介紹Spark在DataMagic平臺扮演的角色、如何快速掌握Spark以及DataMagic平臺是如何使用好Spark的。


二、Spark在DataMagic平臺中的角色

圖 2-1

整套架構的主要功能為日誌接入、查詢(實時和離線)、計算。離線計算平臺主要負責計算這一部分，系統的儲存用的是COS(公司內部儲存)，而非HDFS。

下面將主要介紹Spark on Yarn這一架構，抽取出來即圖2-2所示，可以看到Spark on yarn的執行流程。

圖2-2

三、如何快速掌握Spark

對於理解Spark，我覺得掌握下面4個步驟就可以了。

1．理解Spark術語

對於入門，學習Spark可以通過其架構圖，快速瞭解其關鍵術語，掌握了關鍵術語，對Spark基本上就有認識了，分別是結構術語Shuffle、Patitions、MapReduce、Driver、Application Master、Container、Resource Manager、Node Manager等。API程式設計術語關鍵RDD、DataFrame，結構術語用於瞭解其執行原理，API術語用於使用過程中編寫程式碼，掌握了這些術語以及背後的知識，你就也知道Spark的執行原理和如何程式設計了。

2．掌握關鍵配置

Spark在執行的時候，很多執行資訊是通過配置檔案讀取的，一般在spark-defaults.conf，要把Spark使用好，需要掌握一些關鍵配置，例如跟執行記憶體相關的，spark.yarn.executor.memoryOverhead、spark.executor.memory，跟超時相關的spark.network.timeout等等，Spark很多資訊都可以通過配置進行更改，因此對於配置需要有一定的掌握。但是使用配置時，也要根據不同的場景，這個舉個例子，例如spark.speculation配置，這個配置主要目的是推測執行，當worker1執行慢的情況下，Spark會啟動一個worker2，跟worker1執行相同的任務，誰先執行完就用誰的結果，從而加快計算速度，這個特性在一般計算任務來說是非常好的，但是如果是執行一個出庫到Mysql的任務時，同時有兩個一樣的worker，則會導致Mysql的資料重複。因此我們在使用配置時，一定要理解清楚，直接google spark conf就會列出很多配置了。

3．使用好Spark的並行

我們之所以使用Spark進行計算，原因就是因為它計算快，但是它快的原因很大在於它的並行度，掌握Spark是如何提供並行服務的，從而是我們更好的提高並行度。

對於提高並行度，對於RDD，需要從幾個方面入手，1、配置num-executor。2、配置executor-cores。3、配置spark.default.parallelism。三者之間的關係一般為spark.default.parallelism=num-executors*executor-cores的2~3倍較為合適。對於Spark-sql，則設定spark.sql.shuffle.partitions、num-executor和executor-cores。

4．學會如何修改Spark程式碼

新手而言，特別是需要對Spark進行優化或者修改時，感到很迷茫，其實我們可以首先聚焦於區域性，而Spark確實也是模組化的，不需要覺得Spark複雜並且難以理解，我將從修改Spark程式碼的某一角度來進行分析。

首先，Spark的目錄結構如圖3-1所示，可以通過資料夾，快速知道sql、graphx等程式碼所在位置，而Spark的執行環境主要由jar包支撐，如圖3-2所示，這裡擷取部分jar包，實際上遠比這多，所有的jar包都可以通過Spark的原始碼進行編譯，當需要修改某個功能時，僅需要找到相應jar包的程式碼，修改之後，編譯該jar包，然後進行替換就行了。

圖3-1
圖3-2

而對於編譯原始碼這塊，其實也非常簡單，安裝好maven、scala等相關依賴，下載原始碼進行編譯即可，掌握修改原始碼技巧對於使用好開源專案十分重要。


四、DataMagic平臺中的Spark

Spark在DataMagic中使用，也是在邊使用邊探索的過程，在這過程中，列舉了其比較重要的特點。

1．快速部署

在計算中，計算任務的數量以及資料的量級每天都會發生變化，因此對於Spark平臺，需要有快速部署的特性，在實體機上，有一鍵部署指令碼，只要執行一個指令碼，則可以馬上上線一個擁有128G記憶體、48cores的實體機，但是實體機通常需要申請報備才能獲得，因此還會有docker來支援計算資源。

2．巧用配置優化計算

Spark大多數屬性都是通過配置來實現的，因此可以通過配置動態修改Spark的執行行為，這裡舉個例子，例如通過配置自動調整exector的數量。

2.1 在nodeManager的yarn-site.xml新增配置

    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle,spark_shuffle</value>
   </property>
   <property>
      <name>yarn.nodemanager.aux-services.spark_shuffle.class</name>
      <value>org.apache.spark.network.yarn.YarnShuffleService</value>
   </property>複製程式碼

2.2 將spark-2.2.0-yarn-shuffle.jar檔案拷貝到hadoop-yarn/lib目錄下（即yarn的庫目錄）

2.3 在Spark的spark-default.xml新增配置

spark.dynamicAllocation.minExecutors 1 #最小Executor數
spark.dynamicAllocation.maxExecutors 100 #最大Executor數複製程式碼

通過這種配置，可以達到自動調整exector的目的。

3．合理分配資源

作為一個平臺，其計算任務肯定不是固定的，有的資料量多，有的資料量少，因此需要合理分配資源，例如有些千萬、億級別的資料，分配20核計算資源就足夠了。但是有些資料量級達到百億的，就需要分配更多的計算資源了。參考第三章節的第3點。

4．貼合業務需求

計算的目的其實就是為了服務業務，業務的需求也理應是平臺的追求，當業務產生合理需求時，平臺方也應該儘量去滿足。如為了支援業務高併發、高實時性查詢的需求下，Spark在資料出庫方式上，支援了Cmongo的出庫方式。

sc = SparkContext(conf=conf)

sqlContext = SQLContext(sc)

database = d = dict((l.split('=') for l in dbparameter.split()))

parquetFile = sqlContext.read.parquet(file_name)

parquetFile.registerTempTable(tempTable)

result = sqlContext.sql(sparksql)

url = "mongodb://"+database['user']+":"+database['password']+"@"+database['host']+":"+database['port']    result.write.format("com.mongodb.spark.sql").mode('overwrite').options(uri=url,database=database['dbname'],collection=pg_table_name).save()複製程式碼
Spark作為通用的計算平臺，在普通的應用的場景下，一般而言是不需要額外修改的，但是DataMagic平臺上，我們需要“在前行中改變”。這裡舉個簡單的場景，在日誌分析中，日誌的量級達到千億/日的級別，當底層日誌的某些欄位出現utf-8編碼都解析不了的時候，在Spark任務中進行計算會發生異常，然後失敗，然而如果在資料落地之前對亂碼資料進行過濾，則有可能會影響資料採集的效率，因此最終決定在Spark計算過程中解決中這個問題，因此在Spark計算時，對資料進行轉換的程式碼處加上異常判斷來解決該問題。

6．Job問題定位

Spark在計算任務失敗時候，需要去定位失敗原因，當Job失敗是，可以通過yarn logs -applicationId application 來合併任務log，開啟log，定位到Traceback，一般可以找到失敗原因。一般而言，失敗可以分成幾類。

a. 程式碼問題，寫的Sql有語法問題，或者Spark程式碼有問題。

b. Spark問題，舊Spark版本處理NULL值等。

c. 任務長時間Running狀態，則可能是資料傾斜問題。

d. 任務記憶體越界問題。

7．叢集管理

Spark叢集在日常使用中，也是需要運營維護的，從而運營維護，發現其存在的問題，不斷的對叢集進行優化，這裡從以下幾個方面進行介紹，通過運營手段來保障叢集的健壯性和穩定性，保證任務順利執行。

a. 定時檢視是否有lost node和unhealthy node，可以通過指令碼來定時設定告警，若存在，則需要進行定位處理。

b. 定時掃描hdfs的執行log是否滿了，需要定時刪除過期log。

c. 定時掃描叢集資源是否滿足計算任務使用，能夠提前部署資源。


五、總結

本文主要是通過作者在搭建使用計算平臺的過程中，寫出對於Spark的理解，並且介紹了Spark在當前的DataMagic是如何使用的，當前平臺已經用於架平離線分析，每天計算分析的資料量已經達到千億~萬億級別。


問答

如何解決Apache Spark中的依賴關係問題？

相關閱讀

技術分享 | Spark RDD詳解

Apache Spark快速入門

spark streaming知識總結[優化]


此文已由作者授權騰訊雲+社群釋出，原文連結：https://cloud.tencent.com/developer/article/1092587?fromSource=waitui


相關文章