排序性能PK:Spark完胜MapReduce

作为Hadoop MapReduce后继者Apache Spark可以支撑数千节点规模的集群部署,尤其在内存数据处理上,Spark比MapReduce更加高效,且支持GB或TB级别的数据。然而很多人都认为在磁盘数据计算上,MapReduce比Spark更有优势。近日,大数据公司Databricks为了评估Spark在PB级磁盘数据计算的运行状况, 其技术团队使用 AWS进行了一个Daytona Gray类别的排序基准测试。测试结果显示Spark打破了MapReduce保持的排序性能记录。这次测试是一个考量系统排序100TB数据(约万亿条记录)速度的行业基准测试。在此之前,这项基准测试的世界记录保持者是雅虎,他们使用2100节点的MapReduce集群在72分钟内完成了计算。而本次测试Spark只使用了206个EC2节点,就将排序用时缩短到了23分钟。也就是说在相同数据的排序上,Spark只使用了1/10的计算资源就比MapReduce快了近3倍。

此外,在Spark官方没有PB数量级排序对比的情况下,Databricks技术团队首次开展了1PB数据(十万亿条记录)的排序测试。这个测试使用了190个EC2节点耗时不到4个小时,同样远超雅虎之前使用3800台主机、耗时16个小时的记录,这也是在公用云环境中,首次完成的PB级排序测试。以上两个测试的具体结果如下表:

 

Hadoop保持记录

Spark 100 TB

Spark 1 PB

数据大小

102.5 TB

102 TB

1000 TB

耗时

72分钟

23分钟

234分钟

节点数

2100

206

190

# Cores

50400

6592

6080

# Reducers

10,000

29,000

250,000

Rate

1.42 TB/min

4.27 TB/min

4.27 TB/min

Rate/node

0.67 GB/min

20.7 GB/min

22.5 GB/min

Daytona Gray类别排序基准规则

环境

专用的数据中心

EC2 (i2.8xlarge)

EC2 (i2.8xlarge)

Spark有以上的性能表现是因为Databricks与Spark社区为Spark在稳定性、扩展性、性能等方面的做了不断的改进,尤其是在超大规模工作负载下,他们投入了大量的精力来提升Spark的性能。从细节上看,与这个基准测试高度相关的工作主要有三个,首先,也是最关键的,在Spark 1.1中他们引入了一个全新的Shuffle实现,也就是基于排序的 Shuffle(SPARK­-2045)。其次,他们修订了Spark的网络模型,通过JNI(SPARK­-2468)使用基于Netty的Epoll本地端口传输。同时,新的模型还拥有了独立的内存池,绕过了JVM的内存分配器,从而减少垃圾回收造成的影响。最后,他们创建了一个外部Shuffle服务(SPARK­-3796),它与Spark本身的执行器完全解耦,这个新的服务基于上文所述的网络模型。得益于以上三项改进措施, 在map阶段,Spark集群的单节点能够支撑每秒3GB的IO吞吐量,在reduce阶段,单节点能够支撑每秒1.1GB的IO吞吐量。其他更多的技术细节包括TimSort排序算法的实现、缓存位置的利用、Spark的容错机制以及AWS方面的增强等。

感谢郭蕾对本文的审校。

给InfoQ中文站投稿或者参与内容翻译工作,请邮件至[email protected]。也欢迎大家通过新浪微博(@InfoQ)或者腾讯微博(@InfoQ)关注我们,并与我们的编辑和其他读者朋友交流。

你可能感兴趣的:(排序性能PK:Spark完胜MapReduce)