spark 小文件合并优化实践

对 spark 任务数据落地(HDFS) 碎片文件过多的问题的优化实践及思考。

背景

此文是关于公司在 Delta Lake 上线之前对Spark任务写入数据产生碎片文件优化的一些实践。

• 形成原因
  数据在流转过程中经历 filter/shuffle 等过程后，开发人员难以评估作业写出的数据量。即使使用了 Spark 提供的AE功能，目前也只能控制 shuffle read 阶段的数据量，写出数据的大小实际还会受压缩算法及格式的影响，因此在任务运行时，对分区的数据评估非常困难。

  • shuffle 分区过多过碎，写入性能会较差且生成的小文件会非常多。
  • shuffle 分区过少过大，则写入并发度可能会不够，影响任务运行时间。

• 不利影响
  在产生大量碎片文件后，任务数据读取的速度会变慢（需要寻找读入大量的文件，如果是机械盘更是需要大量的寻址操作），同时会对 hdfs namenode 内存造成很大的压力。

在这种情况下，只能让业务/开发人员主动的合并下数据或者控制分区数量，提高了用户的学习及使用成本，往往效果还非常不理想。
既然在运行过程中对最终落地数据的评估如此困难，是否能将该操作放在数据落地后进行？对此我们进行了一些尝试，希望能自动化的解决/缓解此类问题。

一些尝试

大致做了这么一些工作：

1. 修改 Spark FileFormatWriter 源码，数据落盘时，记录相关的 metrics，主要是一些分区/表的记录数量和文件数量信息。
2. 在发生落盘操作后，会自动触发碎片文件检测，判断是否需要追加合并数据任务。
3. ​实现一个 MergeTable 语法用于合并表/分区碎片文件，通过系统或者用户直接调用。

第1和第2点主要是平台化的一些工作，包括监测数据落盘，根据采集的 metrics 信息再判断是否需要进行 MergeTable 操作，下文是关于 MergeTable 的一些细节实现。

MergeTable

功能：

1. 能够指定表或者分区进行合并
2. 合并分区表但不指定分区，则会递归对所有分区进行检测合并
3. ​指定了生成的文件数量，就会跳过规则校验，直接按该数量进行合并

语法：

merge table [表名] [options (fileCount=合并后文件数量)]  --非分区表
merge table [表名] PARTITION (分区信息) [options (fileCount=合并后文件数量)] --分区表

碎片文件校验及合并流程图​：

在这里插入图片描述

性能优化

对合并操作的性能优化

1. 只合并碎片文件
   如果设置的碎片阈值是128M，那么只会将该表/分区内小于该阈值的文件进行合并，同时如果碎片文件数量小于一定阈值，将不会触发合并，这里主要考虑的是合并任务存在一定性能开销，因此允许系统中存在一定量的小文件​。

2. 分区数量及合并方式
   定义了一些规则用于计算输出文件数量及合并方式的选择，获取任务的最大并发度 maxConcurrency 用于计算数据的分块大小，再根据数据碎片文件的总大小选择合并(coalesce/repartition)方式。

   • 开启 dynamicAllocation
     maxConcurrency = spark.dynamicAllocation.maxExecutors * spark.executor.cores
   • 未开启 dynamicAllocation
     maxConcurrency = spark.executor.instances * spark.executor.cores

   以几个场景为例对比优化前后​的性能：
   ​ 场景1：最大并发度100，碎片文件数据100，碎片文件总大小100M，如果使用 coalesce(1)，将会只会有1个线程去读/写数据，改为 repartition(1)，则会有100个并发读，一个线程顺序写。性能相差100X。

   ​ 场景2：最大并发度100，碎片文件数量10000，碎片文件总大小100G，如果使用 repartition(200)，将会导致100G的数据发生 shuffle，改为 coalesce(200)，则能在保持相同并发的情况下避免 200G数据的IO。

   ​ 场景3：最大并发度200，碎片文件数量10000，碎片文件总大小50G，如果使用 coalesce(100)，会保存出100个500M文件，但是会浪费一半的计算性能，改为 coalesce(200)，合并耗时会下降为原来的50%。

   上述例子的核心都是在充分计算资源的同时避免不必要的IO。

3. 修复元数据
   因为 merge 操作会修改数据的创建及访问时间，所以在目录替换时需要将元数据信息修改到 merge 前的一个状态，该操作还能避免冷数据扫描的误判。最后还要调用 refresh table 更新表在 spark 中的状态缓存。​

4. commit 前进行校验
   在最终提交前对数据进行校验，判断合并前后数据量是否发生变化（从数据块元数据中直接获取数量，避免发生IO），存在异常则会进行回滚，放弃合并操作。​

数据写入后，自动合并效果图：

自动合并效果图

后记

收益
该同步合并的方式已经在我们的线上稳定运行了1年多，成功的将平均文件大小从150M提升到了270M左右，提高了数据读取速度，与此同时 Namenode 的内存压力也得到了极大缓解。

​对 MergeTable 操作做了上述的相关优化后，根据不同的数据场景下，能带来数倍至数十倍的性能提升。

缺陷
因为采用的是同步合并的方式，由于没有事务控制，所以在合并过程中数据不可用，这也是我们后来开始引入 D​elta Lake 的一个原因。