一、Spark在携程应用的现状
集群规模：
平均每天MR任务数：30W+
开发平台：
调度系统运行的任务数：10W+
每天运行任务实例数：23W+
ETL/计算任务：~58%
查询平台
adhoc查询：2W+
支持Spark/Hive/Presto
二、Hive与Spark的区别
Hive：
优点：运行稳定，客户端内存消耗小。
存在问题：生成多个MapReduce作业；中间结果落地，IO开销大；频繁申请和释放container，资源没有合理充分利用
Spark：
快：高效的DAG执行引擎，可以基于内存来高效的处理数据流，节省大量IO开销
通用性：SparkSQL能直接使用HiveQL语法，Hive Metastore，Serdes，UDFs
三、迁移SparkSQL的挑战
兼容性：
Hive原先的权限控制
SQL语法，UDF和Hive的兼容性
稳定性：
迁移透明，低优先级用户无感知
监控作业迁移后成功率及运行时长对比
准确性：
数据一致
功能增强：
用户体验，是否易用，报错信息是否可读
潜在Bug
周边系统配合改造
血缘收集
四、兼容性改造
移植hive权限
Spark没有权限认证模块，可对任意表进行查询，有安全隐患
需要与Hive共享同一套权限
方案：
执行SQL时，对SQL解析得到LogicalPlan，对LogicalPlan进行遍历，提取读取的表及写入的表，调用Hvie的认证方法进行检查，如果有权限则继续执行，否则拒绝该用户的操作。
SQL语法和hive兼容
Spark创建的某些视图，在Hive查询时报错，Spark创建的视图不会对SQL进行展开，视图定义没有当前的DB信息，Hive不兼容读取这样的视图
方案：、
保持与Hive一致，在Spark创建和修改视图时，使用hive cli driver去执行create/alter view sql
UDF与hive兼容
UDF计算结果不一样，即使是正常数据，Spark返回null，Hive结果正确；异常数据，Spark抛exception导致作业失败，Hive返回的null。
方案：
Spark函数修复，比如round函数
将hive一些函数移植，并注册成永久函数
整理Spark和Hive语法和UDF差异
五、稳定性和准确性
稳定性：
迁移透明：调度系统对低优先级作业，按作业粒度切换成Spark执行，失败后再切换成hive
灰度变更，多种变更规则：支持多版本Spark，自动切换引擎，Spark v2 -> Spark v1 -> Hive；灰度推送参数，调优参数，某些功能
监控：每日统计spark和hive运行对比，每时收集作业粒度失败的Spark作业，分析失败原因
准确性：
数据质量系统：校验任务，检查数据准确性
六、功能增强
Spark Thrift Server：
1.基于delegation token的impersontion
Driver：
为不同的用户拿delegation token，写到staging目录，记录User->SQL->Job映射关系，分发task带上对应的username
Executor：
根据task信息带的username找到staging目录下的token，加到当前proxy user的ugi，实现impersonate
2.基于zookeeper的服务发现，支持多台server
这一块主要移植了Hive zookeeper的实现
3.限制大查询作业，防止driver OOM
限制每个job产生的task最大数量
限制查询SQL的最大行数，客户端查询大批量数据，数据挤压在Thrift Server，堆内内存飙升，强制在只有查的SQL加上limit
限制查询SQL的结果集数据大小
4.监控
对每个server定时查询，检测是否可用
多运行时长较久的作业，主动kill
用户体验
用户看到的是类似Hive MR进度的日志，INFO级别日志收集到ES，可供日志的分析和排查问题
收集生成的表或者分区的numRows numFile totalSize，输出到日志
对简单的语句，如DDL语句，自动使用--master=local方式启动
Combine input Format
在HadoopTableReader#makeRDDForTable，拿到对应table的InputFormatClass，转换成对应格式的CombineInputFormat
通过开关来决定是否启用这个特性
set spark.sql.combine.input.splits.enable=true
通过参数来调整每个split的total input size
mapreduce.input.fileinputformat.split.maxsize=256MB *1024*1024
之前driver读大表高峰时段split需要30分钟不止，才把任务提交上，现在只要几分钟就算好split的数量并提交任务，也解决了一些表不大，小文件多，能合并到同一个task进行读取