pypy on PySpark

一. pypy

pypy 基于jit静态编译，相比cpython 动态解释执行，因此执行速度上会更高效，同时减少了内存使用。

http://pypy.org

对三方包的支持一直是pypy的软肋，特别是一些科学计算包，不过在最新的 pypy5.9 中终于对Pandas和NumPy提供了支持。

一个简单的例子:
test1:

import time
t = time.time()
i = 0
for i in xrange(10**8):
    continue
print time.time() - t

test2:

import time
t = time.time()
i = 0
for i in xrange(10**8):
    i = i + 1
print time.time() - t

case	pypy	Cpython
test1	0.25s	4.3s
test2	0.25s	10s

tips:

不难发现，在 pure python 的测试中，一些场景会有几十倍的性能提升。

不过在Pandas和NumPy的性能测试中，发现pypy会比Cpython慢4x-5x。

可以使用Numpypy替代NumPy，性能又能得到提升：
原因参考：https://morepypy.blogspot.com/2017/10/how-to-make-your-code-80-times-faster.html

二. PySpark

在python driver端，SparkContext利用Py4J启动一个JVM并产生一个JavaSparkContext

RDD在python下的转换会被映射成java环境下PythonRDD。在远端worker机器上，PythonRDD对象启动一些子进程并通过pipes与这些子进程通信。

使用 pypy 则是将与SparkWorker通信的Cpython进程替换成pypy进程。

三. pypy on PySpark

可以在 Spark-env.sh 中设置 export PYSPARK_PYTHON =/path/to/pypy 或者提交程序时指定--conf spark.pyspark.python=/path/to/pypy等方式进行提交。

加载python执行环境的代码：

性能测试：

//filter
rdd.filter(lambda x:x['addr'] != 'beijing')

//map
import re
def simpleMobileVerify(phone):
    p2 = re.compile('^0\d{2,3}\d{7,8}$|^1[358]\d{9}$|^147\d{8}')
    phonematch = p2.match(phone)
    if(phone):
        return phone
    else:
        return None
rdd.map(lambda x:simpleMobileVerify(x['accountMobile'])).filter(lambda x : x != None)

case	pypy	Cpython
filter	60s	67s
map	11s	22s

在filter这种IO密集型的任务中提升不大，在计算密集型的任务中提升较为明显，提升比例与计算复杂度成正相关。

下图为一个计算指标任务的执行时间，其中红框部分使用pypy调度：

四. 结语

在真实的pySpark任务中，根据不同类型的任务提升幅度不同，可以根据不同的业务场景以及使用的三方包，使用Cpython和pypy。

其他的性能对比可以参考：
http://emptypipes.org/2015/01/17/python-vs-scala-vs-spark/