使用Alluxio高效存储Spark RDD

本文由南京大学顾荣、李崇杰翻译整理自Alluxio公司技术博客，由Alluxio公司授权CSDN首发（联合），版权归Alluxio公司所有，未经版权所有者同意请勿转载。

1.引言

越来越多的公司和组织（例如百度和伯克利）开始将Alluxio和Spark一起部署从而简化数据管理，提升数据访问性能。Qunar最近将Alluxio部署在他们的生产环境中，从而将Spark streaming作业的平均性能提升了15倍，峰值甚至达到300倍左右。在未使用Alluxio之前，他们发现生产环境中的一些Spark作业会变慢甚至无法完成。而在采用Alluxio后这些作业可以很快地完成。在这篇文章中，我们将介绍如何使用Alluxio帮助Spark变得更高效，介绍多种将Alluxio应用在Spark上的方法。Alluxio可以使Spark执行得更快，使多个Spark job以内存级速度共享相同的数据。具体地，我们将展示如何使用Alluxio高效存储Spark RDD，并在Spark和Alluxio上做一些性能测试。

2. Alluxio 和Spark RDD缓存

Spark用户通常调用Spark RDD cache() API来提高计算性能。cache() API将RDD数据存储在Spark Executor中，下一次调用相同RDD时，RDD数据可以直接从内存载入。然而，RDD数据容量可能会非常大，为数据分配的内存总量会计算得不准确，所以在Spark Executor上存储RDD数据会导致计算所需内存不足。之前的博客提到，去哪儿网在生产环境中遇到了以下问题：Spark job所需的数据经常不在内存中，所以Spark job不能及时完成。另外，如果job崩溃，Spark中的数据将不会被持久化到内存中，下次job恢复，再次访问相同数据，将无法从内存中获取。

该问题的解决方案是将RDD数据存储在Alluxio中，Spark job不需要配置存储数据所需的额外内存，只需配置数据计算所需的内存大小。Alluxio提供了数据存储所需内存，所以RDD数据仍然在内存中。如果Spark job崩溃，数据将仍然存储在Alluxio的内存中，可以被接下来的任务调用。

用户使用Alluxio存储Spark RDD非常简单：将RDD以文件形式存储在Alluxio中。将RDD文件存储有两种方式:saveAsTextFile和saveAsObjectFile。在RDD对应的文件被写入Alluxio后，在Spark中可以使用sc.textFile或者sc.objectFile (从内存中)读取。为了分析理解使用Alluxio存储RDD和使用Spark内置缓存存储RDD在性能上差异，我们进行了如下的一些实验。

实验相关设置如下：

• 硬件配置：单个Worker安装在一个r3.2 Amazon EC2节点上，节点配置：61 GB内存 + 8核CPU。
• 软件版本：Spark2.0.0和Alluxio1.2.0，参数均为缺省配置。
• 运行方式：以standalone模式运行Spark和Alluxio。

在本次实验中，我们使用Spark内置的不同缓存级别存储RDD对比测试使用Alluxio存储RDD，然后收集分析性能测试结果。同时通过改变RDD的大小来展示存储的RDD的规模对性能的影响。

3. 存储RDD

Spark RDD可以使用persist() API存储到Spark缓存中。persist()可以缓存RDD数据到不同的存储媒介。

本次实验使用了以下Spark缓存存储级别（StorageLevel）：

• MEMORY_ONLY：在Spark JVM内存中存储Java对象。
• MEMORY_ONLY_SER：在Spark JVM内存中存储序列化后的Java对象。
• DISK_ONLY：将数据存储在本地磁盘。

下面是一段应用persist()API存储RDD的代码示例。

Rdd.persist(MEMORY_ONLY)
Rdd.count()

除了persist()API，另一种存储RDD的方式是将RDD写入Alluxio中。常见的API是：

• saveAsTextFile：将RDD以文本文件的形式存储。文件里的一行数据存储为一个元素。
• saveAsObjectFile：将RDD每一个元素通过java序列化的方式存储为文件。

下面是一段将RDD以文件方式存储在Alluxio中的代码示例：

rdd.saveAsTextFile(alluxioPath)
Rdd = sc.textFile(alluxioPath)
Rdd.count()

4. 查询存储在Alluxio上的RDDs

RDD被保存后（无论存储在Spark内存还是Alluxio中），应用可以读取RDD以进行后续的计算任务。本次实验利用缓存RDD或者以文件形式存储的RDD运行count()函数，并分别统计运行时间。下图展示了在不同存储方式下操作的完成时间。

从上图可以看出，读取存储在alluxio中的RDD数据具有比较稳定的执行性能。对于从Spark缓存中读取持久化数据，在数据集规模较小时执行性能具有一定优势，但是随着数据集规模的增长，性能急剧下降。例如，Spark程序在配了61GB内存的节点上调用persist(MEMORY_ONLY)API,当数据集超过10GB时，Spark内存无法全部存放job所需数据，执行时间会下降。

另一方面，相比使用Spark内置缓存，使用Alluxio存储RDD并执行count()函数，其性能在小规模数据上略有劣势。然而，随着数据规模的增长，从Alluxio中读取文件性能更好，因为这种方式耗时几乎始终随着数据规模线性增长。因此，对于一个给定内存大小的节点，Alluxio可以使应用以读取内存的速率处理更多数据。

5. 使用Alluxio共享存储的RDD

使用Alluxio存储RDD的另一大优势是可以在不同Spark应用或作业之间共享存储在Alluxio中的数据。当一个DataFrame文件被写入Alluxio后，它可以被不同的作业、SparkContext、甚至不同的计算框架共享。因此，如果一个存储在Alluxio中的RDD被多个应用频繁地访问，那么所有的应用均可以从Alluxio内存中直接读取数据，并不需要重新计算或者从另外的底层外部数据源中读取数据。

为了验证采用Alluxio共享内存的优势，我们应用相同的配置运行一个简单实验。应用50GB大小的数据集，我们在RDD上执行不同Spark job，并且记录count()操作的耗时。没有使用Alluxio时，Spark应用需要每次都从数据源读取数据(在本次实验中是一个本地SSD)。在使用Alluxio时，数据可以直接从Alluxio内存中读取。下图展示了程序在这两种情况下，运行count()函数完成时间性能对比。

结果显示了Spark程序如果不使用Alluxio，必须从数据源处重新读取RDD，本例中是本地SSD。然而，将Alluxio和Spark一起使用时，数据已经存储在Alluxio内存中，所以Spark可以快速地读取RDD。当Spark从Alluxio中读取RDD时，读取速度可以提升4倍。如果RDD来自访问起来更慢或不稳定的数据源，Alluxio的优势就更加明显了。下图显示了RDD位于某公有云存储时程序的执行时间。

在这种情况下，RDD数据集远离计算程序，读取数据花费更多时间，当应用Alluxio时，数据仍然在Alluxio内存中，所以计算可以快速完成。在这种情况下，应用Alluxio可以加速16倍。

这个实验证明了通过Alluxio共享RDD这一方式，可以在多个Spark应用读取相同数据时提升性能。

6. 总结

Alluxio可以在多个方面帮助Spark变得更高效。这篇文章介绍了如何使用Alluxio存储Spark RDD，并且实验验证了采用Alluxio带来的优势：

• Alluxio可将RDD以文件形式存储，使Spark应用以可预测的高效的方读取数据。
• Alluxio可以将大规模数据集保存在内存中，提高Spark应用的执行速度。
• Alluxio可以使多个Spark应用共享内存数据集，从而提高整个集群性能。