深入分析Spark UDF的性能

编译：抚月，阿里巴巴计算平台事业部 EMR 高级工程师，Apache HDFS Committer，目前从事开源大数据存储和优化方面的工作。

---

这篇博客会阐述一份关于Apache Spark的在Scala UDF、 PySpark UDF 和PySpark Pandas UDF之间的性能评测报告。

Spark提供了多种解决方案来应对复杂挑战， 但是我们面临了很多场景， 原生的函数不足以解决问题。因此，Spark允许我们注册自定义函数（User-Defined Functions, 或者叫 UDFs）

在这篇文章， 我们会探索Spark的UDF的性能特点。

Spark支持多种语言，比如Python, Scala, Java, R, SQL. 但是通常数据操作都是用PySpark或者Spark Scala写的。我们认为Pyspark被大多数用户采用， 是因为以下原因：

1. 更快的学习曲线  -- Python比Scala更简单。

2. 更广的社区支持  -- 程序员对Pyspark性能等建议，反馈到社区，形成更好的生态。

3. 丰富的可用的类库 -- Python有很多机器学习、时序分析、数理统计的类库。

4. 很小的性能差异 -- Spark DataFrames引入之后，意味着Scala和Python的性能几乎相同。Datafarme现在是按照带名字的列（named columns)来组织的， 这样Spark可以更好地理解Schema。而那些用来构建dataframe的操作，会被Catalyst Optimizer编译成物理执行计划（physical execution plan）来加速计算。

5. 数据工程师和数据科学家，交接代码也更简单。有一些dataframe的操作需要UDFs， PySpark可能会有性能问题。有一些解决办法，就是将PySpark和Scala UDF， UDF Wrapper一起使用。

PySpark作业提交的时候， driver端跑在Python上， driver会创建一个SparkSession对象以及Dataframes/RDDs. 这些Python对象是一些wrapper对象， 本质是JVM（Java）对象。为了简化，PySpark提供了一个wrapper来跑原生Scala代码。

Spark UDF 函数

通过Scala, Python 或者 Java 注册自定义函数，是非常通用的方法， 来扩展SQL用户的能力， 是的用户可以调用这些函数而不需要再写代码。

例如， 将一个100w行的集合乘以1000：

def times1000(field):
  return field * 1000.00

或者， 对经纬度数据集进行反向地理编码（reverse geocode）：

import geohash
def geohash_pyspark(lat, lon):
  return geohash.encode(lat, lon)

Spark SQL提供了一种方法， 你可以用自己的编程语言来传入1个函数，从而注册UDF。Scala和Python可以用原生的函数或者lamdba语法，除了Java繁琐一些，需要扩展这个UDF类。
UDF可以作用于多种不同的数据类型，并返回一种不同的类型。在Python和Java里，我们需要指定发返回类型。

UDF可以通过以下方式进行注册：

spark.udf.register("UDF_Name", function_name, returnType())

*returnType() 在Python和Java里是强制的。

多种Spark UDF和执行方式

在分布式模式下，Spark使用master/worker架构来执行。调度器（driver）来跟大量的workers（或者叫executors）进行通信。driver和worker跑在自己的Java进程里。
driver端通过main()方法，创建了SparkContext, RDDs并执行一些变换操作。Executors负责跑一个个的任务。

性能基准测试

我们创建了一个随机的经纬度数据集， 包含100w条记录， 共1.2GB，来测试3种Spark UDF类型的性能。我们创建了2个UDF：一个简单的乘以1000的函数， 一个复杂的geohash函数。（所以总共有2 * 3 = 6组测试）

集群配置：8个节点
Driver节点：16核 122GB内存
Worker节点：4核 30.5GB内存，开启自动扩容
Notebook代码：https://bit.ly/2YxiVp4 使用 QuantumBlack’s的方法来跑 Scala UDF, PySpark UDF and PySpark Pandas UDF 的测试。

除了上面3种类型的UDF，我们还创建了Python wrapper， 从而在Pyspark中调用Scala UDF。我们发现这种方式， 既可以使用简单的python编程，又能兼顾Scala UDF的性能。

用Pyspark代码来创建一个Python wrapper：

from pyspark.sql.column import Column
from pyspark.sql.column import _to_java_column
from pyspark.sql.column import _to_seq
from pyspark.sql.functions import col

def udfGeohashScalaWrapper(lat, lon):
    _geohash = sc._jvm.sparkudfperformance.UDFs.udfGeohash()
    return Column(_geohash.apply(_to_seq(sc, [lat, lon], _to_java_column)))
def udfTimes1000ScalaWrapper(field):
    _times1000 = sc._jvm.sparkudfperformance.UDFs.udfTimes1000()
    return Column(_times1000.apply(_to_seq(sc, [field], _to_java_column)))

Databricks对 Pandas UDF 做过一份性能报告  https://databricks.com/blog/2017/10/30/introducing-vectorized-udfs-for-pyspark.html

重要结论

下面是测试结果

测试结果中， Scala UDF的性能是最好的。前面提到， Scala和Python之间的转换步骤， 使得Python UDF需要处理更多东西。
我们同时发现，PySpark Pandas UDF在小数据集或者简单函数上，性能好于PySpark UDF。而如果是一个复杂的函数，比如引入了geohash，这种场景下 PySpark UDF的性能会比PySpark Pandas UDF好10倍。
我们还发现了，在PySpark代码里， 创建一个Python wrapper去调用Scala UDF，性能比这两种PySpark UDFs好15倍。

综合考虑了上面的一些性能特征， QuantumBlack公司现在采用的方式是：

• 使用 PySpark UDF， 如果数据集不大，并且需要用简单函数进行快速的数据洞察。

• 构架一个可复用的Scala UDF的内置库。

• 创建Python wrapper来调用Scala UDF

---

原文链接 

https://medium.com/@QuantumBlack/spark-udf-deep-insights-in-performance-f0a95a4d8c62

---

对开源大数据和感兴趣的同学可以加小编微信（图一二维码，备注进群）进入技术交流微信群。也可钉钉扫码加入社区的钉钉群

阿里巴巴开源大数据技术团队成立Apache Spark中国技术社区，定期推送精彩案例，技术专家直播，问答区数个Spark技术同学每日在线答疑，只为营造纯粹的Spark氛围，欢迎钉钉扫码加入！