Spark性能优化 -- > Joins (SQL and Core)

博客内容将首发在微信公众号"跟我一起读论文啦啦"，上面会定期分享机器学习、深度学习、数据挖掘、自然语言处理等高质量论文，欢迎关注！

本博文将总结和讨论下spark core和spark sql 中join的优化操作。

简介

Join操作是spark中比较重要和常用的操作，无论是Spark Core还是Spark SQL都支持一些基础的join操作。但是join操作需要特殊的性能考虑（因为该操作要求RDD根据其key值，将相同key值的RDD拉取到同一个分区中），因为他们需要较大的网络传输，甚至会创建出超过系统处理能力的Dataset；在core Spark中，考虑操作的顺序可能更为重要，因为DAG优化器与SQL优化器不同，不能重新排序或向下推过滤操作。对于提高spark运行性能，考虑如何优化join操作就显得尤为重要。

core spark join

RDD Join

一般来说，Join操作是昂贵的，因为该操作要求RDD根据其key值，拉取相同key值的RDD处在同一个分区中，这样便可以在各个就对其进行连接操作。

• 如果RDD没有已知的partitioners，则需要对它们进行shuffle操作，使其相同键的数据位于相同的分区中，如下图所示。
  
• 如果它们具有相同的partitioners，则可以将数据放在同一个分区中，以避免网络传输，如下图所示。
  
• 不管partitioners 是否相同，如果一个（或两个）RDD有一个已知的partitioners，那么只会产生一个窄依赖，如下图所示。与大多数键/值操作一样，join的成本随着key的数量和其到达正确分区所需的移动距离成正比。
  

join中的key值问题

如果其中一个或两个RDD中存在重复的key值时，进行join操作，数据的大小可能会急剧扩展，从而导致性能问题，下面提几个经验建议：

• 当两个RDD都存在重复的key值时，最好先进行distinct或combineByKey操作，或者使用cogroup 处理重复key值问题，在执行join操作时可以防止二次的shuffle。

• 如果两个RDD中都不存在key时，则可能会意外丢失数据。使用外部连接（left，right）outer join时 会更安全，这样就可以保证将所有数据保存在左边或右边的RDD中，然后连接之后再过滤数据。

• 在join之前检查RDD中的key值，在此之前先过滤掉一些特殊的key值，例如空值。

   注：join操作是spark里常用到的比较耗费性能的操作，有必要在join操作之前对数据集进行预处理。
  

举例：scoreRDD (Panda id, score) ，addressRDD (Panda id, address)，现在想找到每个Panda id下面的address和bestScore，可用join操作达到目标。

方法一：

def joinScoresWithAddress1( scoreRDD : RDD[(Long, Double)], 
addressRDD : RDD[(Long, String )]) : RDD[(Long, (Double, String))]= { 
    val joinedRDD = scoreRDD.join(addressRDD) 
    joinedRDD.reduceByKey( (x, y) => if(x._1 > y._1) x else y )
}

方法二：

def joinScoresWithAddress2(scoreRDD : RDD[(Long, Double)], addressRDD: RDD[(Long, String)]) : 
RDD[(Long, (Double, String))]= {
    val bestScoreData = scoreRDD.reduceByKey((x, y) => if(x > y) x else y) 
    bestScoreData.join(addressRDD)
}

显然方法二更优，方法二在join之前就过滤掉了一些不必要的数据。

加速join过程的几种方法

为了join 数据，Spark需要将要join的数据（即基于每个key的数据）放入到同一个分区上。Spark中join的默认实现是 shuffled hash join。shuffled hash join 通过使用与第一个相同的默认partitioners 对第二个数据集进行分区，确保每个分区上的数据包含相同的key，从而使来自两个数据集的具有相同hash value的键位于同一分区中。虽然这种方法是有效的，但是它通常可能需要进行一次shuffle操作，代价比较昂贵。有以下两点可以用来避免shuffle过程：

• 需要join的两个RDD具有相同的partitioners
• 需要join的其中一个RDD很小，可以直接将其存入到内存中，使用broadcast hash join。

通过分配已知的partitioners来加速join过程

在对两个RDD进行join操作之前，可以对第二个RDD添加与第一个RDD相同的partitioners，使其两个RDD使用同一个partitioners，缓解join操作时的shuffle。

def joinScoresWithAddress3(scoreRDD: RDD[(Long, Double)], addressRDD: RDD[(Long, String)]) : RDD[(Long, (Double, String))]=
{  
	// If addressRDD has a known partitioner we should use that, 
    // otherwise it has a default hash parttioner, which we can reconstruct by 
    // getting the number of partitions. 
    val addressDataPartitioner = addressRDD.partitioner match { 
        case (Some(p)) => p 
        case (None) => new HashPartitioner(addressRDD.partitions.length)
 	}
	// 通过使用addressRDD的Partitioner作为reduceByKey步骤的参数
    val bestScoreData = scoreRDD.reduceByKey(addressDataPartitioner, (x, y) => if(x > y) x else y) 
    bestScoreData.join(addressRDD)
}

如上这种操作可以有效避免join操作中的shuffle过程。

注：在repartitioning后最好对RDD进行持久化

使用 broadcast hash join 加速join过程

broadcast hash join 会将较小的RDD复制副本到每个工作节点上，然后再和较大RDD的每个分区数据做map-side combine。如果较小的RDD可以存入到内存中，那么broadcast hash join效果更好。在Spark SQL中，可以配置spark.sql.autoBroadcastJoinThreshold （若dataset大小低于该阈值就会自动进行broadcast）和spark.sql.broadcastTimeout，使得spark sql足够聪明的配置broadcast hash join，例如将较小的RDD加载到内存。

Spark Core 中没有实现broadcast hash join，需要自己实现，可以通过将较小RDD collect到驱动器，作为一个map，然后对其进行广播操作，然后再使用mapPartition。

def manualBroadCastHashJoin[K : Ordering : ClassTag, V1 : ClassTag, V2 : ClassTag](bigRDD : RDD[(K, V1)], smallRDD : RDD[(K, V2)])= 
{ 
    // 将较小的RDD进行collect，并进行广播操作
    val smallRDDLocal: Map[K, V2] = smallRDD.collectAsMap() 
    bigRDD.sparkContext.broadcast(smallRDDLocal)
    // 对较大RDD的每个分区进行map操作
    bigRDD.mapPartitions(iter => 
    {
        iter.flatMap{
            case (k,v1 ) => smallRDDLocal.get(k) match 
            { 
                case None => Seq.empty[(K, (V1, V2))] 
                case Some(v2) => Seq((k, (v1, v2)))
            } 
        } 
    },
     //preservesPartitioning表示是否保留父RDD的partitioner分区信息。
     preservesPartitioning = true) 
}
//end:coreBroadCast[]}

手动的进行Partial broadcast hash join

不是所有的较小RDD都能存入到内存中进行broadcast hash join，这时如果较大的RDD中，存在某些key值占比较大，特别是当某个key值占比太大，大到单个分区已经无法处理，而你又仅仅想对这些占比较大key值进行join，这时你可以对较小的RDD按照这些key值进行过滤，这时就可以对较小的RDD进行broadcast hash join得到Partial result。甚至可以对较大RDD剩下的key记录再次进行上述操作，将得到所有Partial result进行union，即可得到整个join结果。

上述这种方法虽然复杂，但可以有效的处理高度倾斜的数据。

Spark SQL Join

相对于spark core，spark sql可以利用其特有的优化器做一些繁重的工作，使得join操作更有效率，但同时你会失去部分控制权，例如不能控制分区细节，不能像core spark 那样手动的避免shuffle过程。

注：基表不能被广播，比如left outer join时，只能广播右表。

DataFrame Joins

spark join type

• inner
• left_outer
• right_outer
• full_outer
• left_semi

上述的join type太简单了，这里就不举例说明了，需要注意的是，这样的join和pandas 中的DataFrame的join不一样之处在于，这里的join结果会同时出现df1和df2的key列，即在join结果中key列会出现两次。

DataFrame Broadcast hash joins

配置spark.sql.autoBroadcastJoinThreshold （若dataset大小低于该阈值就会自动进行broadcast）和spark.sql.broadcastTimeout参数

import org.apache.spark.sql.functions.broadcast

val smallDF: DataFrame = ???
val largeDF: DataFrame = ???

largeDF.join(broadcast(smallDF), Seq("foo"))
// or broadcast hint (Spark >= 2.2):

largeDF.join(smallDF.hint("broadcast"), Seq("foo"))

总结

本文主要总结了如下几种join中的优化操作

• 在join之前过滤掉特殊和不必要的key
• 在join之前，尽量将存在重复key的数据集通过各种操作 转成distinct key的数据集
• 在join之前，将参与join操作的两个RDD使用同一个partitioners，对应key的分区上存储着相应的将要连接的数据。
• broadcast hash join（只适用于存在小的数据集）
• Partial manual broadcast hash join（只适用于存在小的数据集，对于解决数据倾斜，非常有效）

参考

• High Performance Spark