SparkSQL自适应执行优化引擎

Spark SQL 自适应执行优化引擎

背景

• Adaptive Execution 将可以根据执行过程中的中间数据优化后续执行，从而提高整体执行效率。核心在于两点
  • 执行计划可动态调整
  • 调整的依据是中间结果的精确统计信息
• spark 2.3 开始试验功能
• spark 3.0 正式发布 自适应查询执行（Adaptive Query Execution）

现状与挑战

• 如何设置合适的shuffle partition数量？
  • 在Spark SQL中， shufflepartition数可以通过参数spark.sql.shuffle.partition来设置，默认值是200。
  • 如果partition太小，单个任务处理的数据量会越大，在内存有限的情况，就会写文件，降低性能，还会oom
  • 如果partition太大，每个处理任务数据量很小，很快结束，导致spark调度负担变大，中间临时文件多
• spark sql 最佳执行计划
  • Spark SQL的Catalyst优化器的核心工作就是选择最佳的执行计划,主要依靠：
    • 早起基于规则的优化器RBO
    • spark2.2 加入基于代价的优化CBO
  • 执行计划在计划阶段确定后，不会改变，如果能够获取运行时信息，就可能得到一个更加的执行计划
• 数据倾斜如何处理
  • 数据倾斜是指某一个partition的数据量远远大于其它partition的数据，导致个别任务的运行时间远远大于其它任务，因此拖累了整个SQL的运行时间。
  • 常见手段：
    • 增加shuffle partition数量，让热点partition的数据分散一些，但是对于同一个key没有作用
    • 增加 BroadcastHashJoin的阈值，在某些场景下可以把SortMergeJoin转化成BroadcastHashJoin而避免shuffle产生的数据倾斜。
    • 手动过滤倾斜key,加入前缀，join表也对key膨胀处理，再join
  • spark 能否运行时自动处理join中的数据倾斜

自适应执行架构

• 基础流程
  • sql -> 解析 -> 逻辑计划 -> 物理计划 -> rdd -> job -> dag -> stage -> task run
    • 一旦执行计划确定，无法更新
• 
• 自适应划分依据
  • 按照每个reducer处理partition数据内存大小分，每个64m
  • 按照每个reducer处理partition数据条数分，100000条

动态调整执行计划

• 在运行时动态调整join的策略，在满足条件的情况下，即一张表小于Broadcast阈值，可以将SortMergeJoin转化成BroadcastHashJoin。
  • SortMergeJoin,每个reducer通过网络shuffle读取属于自己的数据；会出现不同程度的数据倾斜问题；
  • BroadcastHashJoin，每一个reducer读取一个mapper的整个shuffle output文件，shuffle读变成了本地读取，没有数据通过网络传输；数据量一般比较均匀，也就避免了倾斜；

动态处理数据倾斜

• 在运行时很容易地检测出有数据倾斜的partition，当执行某个stage时，我们收集该stage每个mapper 的shuffle数据大小和记录条数
• 如果某一个partition的数据量或者记录条数超过中位数的N倍，并且大于某个预先配置的阈值，我们就认为这是一个数据倾斜的partition，需要进行特殊的处理

spark 使用

配置参数

• org.apache.spark.sql.internal.SQLConf
• spark.sql.adaptive.enabled=true
  • 倾斜处理开关
• spark.sql.adaptive.shuffle.targetPostShuffleInputSize
  • 动态调整 reduce 个数的 partition 大小依据。如设置 64MB，则 reduce 阶段每个 task 最少处理 64MB 的数据。默认值为 64MB。
• spark.sql.adaptive.minNumPostShufflePartitions -- v2.4 有 3.0 已经去掉
  • 动态调整 reduce 个数的 partition 条数依据。如设置 20000000，则 reduce 阶段每个 task 最少处理 20000000 条的数据。默认值为 20000000。
• spark.sql.adaptive.forceApply -- V3.0
  • 自适应执行在没有需要shuffle或者子查询的时候将不适用，当设为true始终使用
• spark.sql.adaptive.logLevel --v3.0
  • 自适应执行时产生的日志等级
• spark.sql.adaptive.advisoryPartitionSizeInBytes -- v3.0
  • 倾斜数据分区拆分，小数据分区合并优化时，建议的分区大小
  • 与spark.sql.adaptive.shuffle.targetPostShuffleInputSize含义相同
• spark.sql.adaptive.coalescePartitions.enabled -- v3.0
  • 是否开启合并小数据分区默认开启，调优策略之一
• spark.sql.adaptive.coalescePartitions.minPartitionNum -- v3.0
  • 合并后最小的分区数
• spark.sql.adaptive.fetchShuffleBlocksInBatch -- v3.0
  • 是否批量拉取blocks,而不是一个个的去取
  • 给同一个map任务一次性批量拉取blocks可以减少io 提高性能
• spark.sql.adaptive.skewJoin.enabled
  • 自动倾斜处理，处理 sort-merge join中的倾斜数据
• spark.sql.adaptive.skewJoin.skewedPartitionFactor
  • 判断分区是否是倾斜分区的比例
  • 当一个 partition 的 size 大小大于该值（所有 parititon 大小的中位数）且大于spark.sql.adaptive.skewedPartitionSizeThreshold，或者 parition 的条数大于该值（所有 parititon 条数的中位数）且大于 spark.sql.adaptive.skewedPartitionRowCountThreshold，才会被当做倾斜的 partition 进行相应的处理。默认值为 10
• spark.sql.adaptive.skewJoin.skewedPartitionThresholdInBytes
  • 单个分区大于默认256MB

参考

• https://issues.apache.org/jira/browse/SPARK-23128
• https://blog.csdn.net/weixin_34006468/article/details/91894261
• https://www.cnblogs.com/zz-ksw/p/11254294.html