Spark性能优化之如何使用广播变量以及Kryo序列化

广播变量

在Spark Application中，经常会使用到一个共享变量，众所周知的，Spark是一个并行计算框架，对于这个变量，每一个executor的task在访问它的时候，都会去拷贝一份副本去使用。如下图所示：

对于这种默认方式，它会极大的系统的内存，我们可以假设一个集群中有1024个task，这个共享变量大小假设为1M，那么就会去复制1024份到集群上去，这样就会有1个G的数据在网络中传输，并且系统需要耗费1G内存去为这些副本分配空间，这样对于系统有什么影响呢？

如果系统内存不足，RDD持久化的时候无法在内存中持久化，需要持久化到磁盘中，那么后续的操作会因为频繁的磁盘IO使得速度变慢，性能下降。
当task中创建对象时，发现堆中内存不足，那么就需要进行GC操作，进行GC的时候，会导致工作线程暂停，如果内存严重不足，频繁的GC对于Spark作业的速度的影响是可想而知的。
对于以上问题，我们该怎么进行性能优化呢？

这时，我们可以使用Broadcast，将这种每个task需要用到的共享变量广播出去。

从上面的图中可以看到，当每一个task需要使用这个变量的时候都会拷贝一份。如果使用广播变量，首先该广播变量会拷贝一份副本到Driver中，当每一个executor的task使用到该变量时，首先会去每个executor的BlockManager中去检查是否有该变量的副本，如果没有，接着会去Driver中去拷贝一份副本到BlockManager中，然后供该executor中的每一个task使用，到下一个executor的task需要使用这个变量时，它的BlockManager可以去Driver中拷贝副本，也可以去距离比较近的executor的BlockManager中去拷贝。（每一个executor中的BlockManager的作用是负责管理每一个executor对应的内存和磁盘的数据。）其原理图如上所示：

在默认情况下，如果是1024个task需要消耗1G内存，但是如果我们有50个executor来平分这些task，那么只需要50个副本即可，总共消耗了50M内存，那么在内存的消耗了节省了大约20倍。而且副本的复制有时不需要从Driver拷贝，而是从其他executor中拷贝，那么，网络 传输带来的性能消耗也会小很多，可想而知，使用广播变量可以节省很多内存，从而使得性能显著提升。

如何使用广播变量呢？

比如我们的共享变量是一个map类型的变量，我们可以使用Spark上下文来创建广播变量：

Broadcast> broadcast=sc.broadcast(map);

在task中使用的时候可以使用value方法或者getValue方法来获取它的值：

Map map=broadcast.value;

Kryo序列化

在上面通过广播变量降低网络传输压力以及节省了不少内存之后，我们可以再进一步的优化，序列化是一种不错的选择，可以减少数据占用的内存大小。

默认的Spark使用的是java序列化机制，即通过ObjectOutputStream / ObjectInputStream，对象输入输出流机制，来进行序列化。

使用默认的这种序列化机制，好处在于简单方便，不需要你自己进行任何配置，只需要在需要序列化的类上实现Serializable接口；缺点在于序列化的效率不高，序列化的速度比较低，序列化之后的数据占用空间依旧很大。因此，我们在必要时可以手动指定序列化方式进行优化。

Spark支持Kryo序列化机制，Kryo序列化机制，比默认的Java序列化机制，速度要快，序列化后的数据要更小，大概是Java序列化机制的1/10。

因此，使用Kryo序列化机制可以让 网络中传输的数据更小，而且在集群中耗费的内存也大大减少。

Kryo序列化作用的地方

Kryo序列化一旦启用，在以下几个地方将会生效：

算子函数中使用的外部变量。算子函数中使用到的外部变量，使用Kryo以后，优化网络传输的性能，可以优化集群中内存的占用和消耗
持久化RDD时进行序列化，比如StorageLevel.MEMORY_ONLY_SER。持久化RDD，优化内存的占用和消耗；持久化RDD占用的内存越少，task执行的时候，创建的对象，就不至于频繁的占满内存，频繁发生GC。
shuffle时进行序列化，可以优化网络传输的性能。
如何使用Kryo序列化

第一步：在SparkConf中设置序列化属性spark.serializer，值为org.apache.spark.serializer.KryoSerializer。

第二步：注册你需要使用Kryo序列化的一些自定义类，使用SparkConf.registerKryoClasses()
方法进行注册。

例如：

new SparkConf()
.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
.registerKryoClasses(new Class[]{CategorySortKey.class})

使用广播变量和序列化很简单，但是我们不能忽视它对于系统性能的影响，也许一个小小的修改就能对系统的性能提升很多倍，这也是我们性能优化的重点，不能忽略每一个细节，一昧的去追去高大上的优化技巧。