【DataMagic】如何在万亿级别规模的数据量上使用Spark

**欢迎大家前往[腾讯云+社区](https://cloud.tencent.com/developer/?fromSource=waitui)，获取更多腾讯海量技术实践干货哦~** > 本文由[鹅厂新鲜事儿](https://cloud.tencent.com/developer/user/1642104?fromSource=waitui)发表于[云+社区专栏](https://cloud.tencent.com/developer/column/2305?fromSource=waitui) > **作者：张国鹏 | 腾讯 运营开发工程师** **一、前言** Spark作为大数据计算引擎，凭借其快速、稳定、简易等特点，快速的占领了大数据计算的领域。本文主要为作者在搭建使用计算平台的过程中，对于Spark的理解，希望能给读者一些学习的思路。文章内容为介绍Spark在DataMagic平台扮演的角色、如何快速掌握Spark以及DataMagic平台是如何使用好Spark的。 **二、Spark在DataMagic平台中的角色** 图 2-1 整套架构的主要功能为日志接入、查询(实时和离线)、计算。离线计算平台主要负责计算这一部分，系统的存储用的是COS(公司内部存储)，而非HDFS。 下面将主要介绍Spark on Yarn这一架构，抽取出来即图2-2所示，可以看到Spark on yarn的运行流程。 图2-2 三、**如何快速掌握Spark** 对于理解Spark，我觉得掌握下面4个步骤就可以了。 1．理解Spark术语 对于入门，学习Spark可以通过其架构图，快速了解其关键术语，掌握了关键术语，对Spark基本上就有认识了，分别是结构术语Shuffle、Patitions、MapReduce、Driver、Application Master、Container、Resource Manager、Node Manager等。API编程术语关键RDD、DataFrame，结构术语用于了解其运行原理，API术语用于使用过程中编写代码，掌握了这些术语以及背后的知识，你就也知道Spark的运行原理和如何编程了。 2．掌握关键配置 Spark在运行的时候，很多运行信息是通过配置文件读取的，一般在spark-defaults.conf，要把Spark使用好，需要掌握一些关键配置，例如跟运行内存相关的，spark.yarn.executor.memoryOverhead、spark.executor.memory，跟超时相关的spark.network.timeout等等，Spark很多信息都可以通过配置进行更改，因此对于配置需要有一定的掌握。但是使用配置时，也要根据不同的场景，这个举个例子，例如spark.speculation配置，这个配置主要目的是推测执行，当worker1执行慢的情况下，Spark会启动一个worker2，跟worker1执行相同的任务，谁先执行完就用谁的结果，从而加快计算速度，这个特性在一般计算任务来说是非常好的，但是如果是执行一个出库到Mysql的任务时，同时有两个一样的worker，则会导致Mysql的数据重复。因此我们在使用配置时，一定要理解清楚，直接google spark conf就会列出很多配置了。 3．使用好Spark的并行 我们之所以使用Spark进行计算，原因就是因为它计算快，但是它快的原因很大在于它的并行度，掌握Spark是如何提供并行服务的，从而是我们更好的提高并行度。 对于提高并行度，对于RDD，需要从几个方面入手，1、配置num-executor。2、配置executor-cores。3、配置spark.default.parallelism。三者之间的关系一般为spark.default.parallelism=num-executors*executor-cores的2~3倍较为合适。对于Spark-sql，则设置spark.sql.shuffle.partitions、num-executor和executor-cores。 4．学会如何修改Spark代码 新手而言，特别是需要对Spark进行优化或者修改时，感到很迷茫，其实我们可以首先聚焦于局部，而Spark确实也是模块化的，不需要觉得Spark复杂并且难以理解，我将从修改Spark代码的某一角度来进行分析。 首先，Spark的目录结构如图3-1所示，可以通过文件夹，快速知道sql、graphx等代码所在位置，而Spark的运行环境主要由jar包支撑，如图3-2所示，这里截取部分jar包，实际上远比这多，所有的jar包都可以通过Spark的源代码进行编译，当需要修改某个功能时，仅需要找到相应jar包的代码，修改之后，编译该jar包，然后进行替换就行了。 图3-1 图3-2 而对于编译源代码这块，其实也非常简单，安装好maven、scala等相关依赖，下载源代码进行编译即可，掌握修改源码技巧对于使用好开源项目十分重要。 **四、DataMagic平台中的Spark** Spark在DataMagic中使用，也是在边使用边探索的过程，在这过程中，列举了其比较重要的特点。 **1．快速部署** 在计算中，计算任务的数量以及数据的量级每天都会发生变化，因此对于Spark平台，需要有快速部署的特性，在实体机上，有一键部署脚本，只要运行一个脚本，则可以马上上线一个拥有128G内存、48cores的实体机，但是实体机通常需要申请报备才能获得，因此还会有docker来支持计算资源。 **2．巧用配置优化计算** Spark大多数属性都是通过配置来实现的，因此可以通过配置动态修改Spark的运行行为，这里举个例子，例如通过配置自动调整exector的数量。 2.1 在nodeManager的yarn-site.xml添加配置 ```js <property> <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> ``` 2.2 将spark-2.2.0-yarn-shuffle.jar文件拷贝到hadoop-yarn/lib目录下（即yarn的库目录） 2.3 在Spark的spark-default.xml添加配置 ```js spark.dynamicAllocation.minExecutors 1 #最小Executor数 spark.dynamicAllocation.maxExecutors 100 #最大Executor数 ``` 通过这种配置，可以达到自动调整exector的目的。 **3．合理分配资源** 作为一个平台，其计算任务肯定不是固定的，有的数据量多，有的数据量少，因此需要合理分配资源，例如有些千万、亿级别的数据，分配20核计算资源就足够了。但是有些数据量级达到百亿的，就需要分配更多的计算资源了。参考第三章节的第3点。 **4．贴合业务需求** 计算的目的其实就是为了服务业务，业务的需求也理应是平台的追求，当业务产生合理需求时，平台方也应该尽量去满足。如为了支持业务高并发、高实时性查询的需求下，Spark在数据出库方式上，支持了Cmongo的出库方式。 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() **5．适用场景** Spark作为通用的计算平台，在普通的应用的场景下，一般而言是不需要额外修改的，但是DataMagic平台上，我们需要“在前行中改变”。这里举个简单的场景，在日志分析中，日志的量级达到千亿/日的级别，当底层日志的某些字段出现utf-8编码都解析不了的时候，在Spark任务中进行计算会发生异常，然后失败，然而如果在数据落地之前对乱码数据进行过滤，则有可能会影响数据采集的效率，因此最终决定在Spark计算过程中解决中这个问题，因此在Spark计算时，对数据进行转换的代码处加上异常判断来解决该问题。 **6．Job问题定位** Spark在计算任务失败时候，需要去定位失败原因，当Job失败是，可以通过yarn logs -applicationId application 来合并任务log，打开log，定位到Traceback，一般可以找到失败原因。一般而言，失败可以分成几类。 a. 代码问题，写的Sql有语法问题，或者Spark代码有问题。 b. Spark问题，旧Spark版本处理NULL值等。 c. 任务长时间Running状态，则可能是数据倾斜问题。 d. 任务内存越界问题。 **7．集群管理** Spark集群在日常使用中，也是需要运营维护的，从而运营维护，发现其存在的问题，不断的对集群进行优化，这里从以下几个方面进行介绍，通过运营手段来保障集群的健壮性和稳定性，保证任务顺利执行。 a. 定时查看是否有lost node和unhealthy node，可以通过脚本来定时设置告警，若存在，则需要进行定位处理。 b. 定时扫描hdfs的运行log是否满了，需要定时删除过期log。 c. 定时扫描集群资源是否满足计算任务使用，能够提前部署资源。 **五、总结** 本文主要是通过作者在搭建使用计算平台的过程中，写出对于Spark的理解，并且介绍了Spark在当前的DataMagic是如何使用的，当前平台已经用于架平离线分析，每天计算分析的数据量已经达到千亿~万亿级别。 >**问答** > >[Spark 优化怎么做？](https://cloud.tencent.com/developer/ask/123819?fromSource=waitui) > >**相关阅读** > >[腾讯云游戏多媒体解决方案](https://cloud.tencent.com/developer/article/1157948?fromSource=waitui) > >[惧怕羊毛党？腾讯云为你保驾护航](https://cloud.tencent.com/developer/article/1158006?fromSource=waitui) > >[AI从入门到放弃：CNN的导火索，用MLP做图像分类识别？](https://cloud.tencent.com/developer/article/1150162?fromSource=waitui) > >[【每日课程推荐】机器学习实战！快速入门在线广告业务及CTR相应知识](https://cloud.tencent.com/developer/edu/course-1128?fromSource=waitui) **此文已由作者授权腾讯云+社区发布，更多原文请[点击](https://cloud.tencent.com/developer/article/1092587?fromSource=waitui )** **搜索关注公众号「云加社区」，第一时间获取技术干货，关注后回复1024 送你一份技术课程大礼包！** 海量技术实践经验，尽在[云加社区](https://cloud.tencent.com/developer?fromSource=waitui)！