57、Spark性能优化之数据本地化

数据本地化背景

数据本地化对于Spark Job性能有着巨大的影响。如果数据以及要计算它的代码是在一起的，那么性能当然会非常高。但是，如果数据和计算它的代码是分开的，那么其中之一必须到另外一方的机器上。通常来说，移动代码到其他节点，会比移动数据到代码所在的节点上去，速度要快得多，因为代码比较小。Spark也正是基于这个数据本地化的原则来构建task调度算法的。
数据本地化，指的是，数据离计算它的代码有多近。基于数据距离代码的距离，有几种数据本地化级别：

1. PROCESS_LOCAL：数据和计算它的代码在同一个JVM进程中。
2. NODE_LOCAL：数据和计算它的代码在一个节点上，但是不在一个进程中，比如在不同的executor进程中，或者是数据在HDFS文件的block中。
3. NO_PREF：数据从哪里过来，性能都是一样的。
4. RACK_LOCAL：数据和计算它的代码在一个机架上。
5. ANY：数据可能在任意地方，比如其他网络环境内，或者其他机架上。

原理

数据本地化原理.png

Task要处理的partition的数据，在某一个Executor中，TaskScheduler首先会尽量用最好的本地化级别去启动task，也就是说，会尽量在哪个包含了要处理的partition的executor中，去启动task
此时，Executor已经再执行好几个task了，没有空闲资源来执行这个task
默认情况下，spark会等待一会，等待Executor什么时候可以空闲出一个cpu core，从而来启动这个task，让它实现最好的本地化级别
但是如果等待了一会(时间是可以调优的，通过参数设置)，发现始终没有等到Executor的core释放，那么会放大一个级别，去尝试启动这个task
如果这个rdd之前持久化过，task会去调用RDD的iterator()方法，然后通过executor关联的BlockManager，来尝试获取数据，BlockManager底层，首先尝试从getLocal()在本地找数据，如果没有找到的话，那么用getRemote()，通过BlockTransferService，链接到有数据的BlockManager，来获取数据
如果没有持久化过，那么就computerOrReadCheckpoint()
如果还是不能启动，继续放大级别

数据本地化优化

Spark倾向于使用最好的本地化级别来调度task，但是这是不可能的。如果没有任何未处理的数据在空闲的executor上，那么Spark就会放低本地化级别。这时有两个选择：第一，等待，直到executor上的cpu释放出来，那么就分配task过去；第二，立即在任意一个executor上启动一个task。
Spark默认会等待一会儿，来期望task要处理的数据所在的节点上的executor空闲出一个cpu，从而将task分配过去。只要超过了时间，那么Spark就会将task分配到其他任意一个空闲的executor上。
可以设置参数，spark.locality系列参数，来调节Spark等待task可以进行数据本地化的时间。spark.locality.wait（3000毫秒）、spark.locality.wait.node、spark.locality.wait.process、spark.locality.wait.rack。