除了選擇合適的分區(qū)策略之外，還可以通過一些優(yōu)化措施來進(jìn)一步提高分區(qū)的性能。在Spark中，大多數(shù)的Spark任務(wù)可以通過三個(gè)階段來表述，它們分別是讀取輸入數(shù)據(jù)、使用Spark處理、保持輸出數(shù)據(jù)。Spark雖然實(shí)際數(shù)據(jù)處理主要發(fā)生在內(nèi)存中，但是Spark使用的是存儲在HDFS上的數(shù)據(jù)來作為輸入和輸出，任務(wù)的調(diào)度執(zhí)行會使用大量的 I/O，存在性能瓶頸。

而Hive分區(qū)數(shù)據(jù)是存儲在HDFS上的，然而HDFS對于大量小文件支持不太友好，因?yàn)樵诿總€(gè)NameNode內(nèi)存中每個(gè)文件大概有150字節(jié)的存儲開銷，而整個(gè)HDFS集群的IOPS數(shù)量是有上限的。當(dāng)文件寫入達(dá)到峰值時(shí)，會對HDFS集群的基礎(chǔ)架構(gòu)的某些部分產(chǎn)生性能瓶頸。

在Hadoop集群中，它依靠大規(guī)模并行 I/O 來支持?jǐn)?shù)千個(gè)并發(fā)任務(wù)。比如現(xiàn)有一個(gè)大小為96TB的數(shù)據(jù)節(jié)點(diǎn)，磁盤的大小有兩種，它們分別是8TB和16TB。具有8TB磁盤的數(shù)據(jù)節(jié)點(diǎn)有12塊這樣的磁盤，而具有16TB磁盤的數(shù)據(jù)節(jié)點(diǎn)有6塊這樣的磁盤。我們可以假設(shè)每個(gè)磁盤的平均讀寫吞吐量約為100MB/s，而這兩種不同的磁盤分布，它們對應(yīng)的帶寬和IOPS，具體詳情如下表所示：

在Hadoop集群中，每個(gè)數(shù)據(jù)節(jié)點(diǎn)為每個(gè)卷運(yùn)行一個(gè)卷掃描器，用于掃描塊的狀態(tài)。由于卷掃描器與應(yīng)用程序競爭磁盤資源，因此限制其磁盤帶寬很重要。配置 dfs.block.scanner.volume.bytes.per.second 屬性值來定義卷掃描器每秒可以掃描的字節(jié)數(shù)，默認(rèn)為1MB/s。

比如設(shè)置帶寬為5MB/s，掃描12TB所需要的時(shí)間為

12TB / 5MBps = (12 * 1024 * 1024 / (3600 * 24)) = 29.13天。

假如，現(xiàn)在需要重新計(jì)算歷史分區(qū)的數(shù)據(jù)表，這種場景通常用于修復(fù)錯誤或者數(shù)據(jù)質(zhì)量問題。在處理包含一年數(shù)據(jù)的大型數(shù)據(jù)集（比如1TB以上）時(shí)，可能會將數(shù)據(jù)分成幾千個(gè)Spark分區(qū)來進(jìn)行處理。雖然，從表面上看，這種處理方法并不是最合適的，使用動態(tài)分區(qū)并將數(shù)據(jù)結(jié)果寫入按照日期分區(qū)的Hive表中將產(chǎn)生多達(dá)上百萬個(gè)文件。

下面，我們將任務(wù)分區(qū)數(shù)縮小，現(xiàn)有一個(gè)包含3個(gè)分區(qū)的Spark任務(wù)，并且想將數(shù)據(jù)寫入到包含3個(gè)分區(qū)的Hive表。在這種情況下，希望發(fā)送的是將3個(gè)文件寫入到HDFS中，所有數(shù)據(jù)都存儲在每個(gè)分區(qū)的單個(gè)文件中。最終會生成9個(gè)文件，并且每個(gè)文件都有1個(gè)記錄。使用動態(tài)分區(qū)寫入Hive表時(shí)，每個(gè)Spark分區(qū)都由執(zhí)行程序來并行處理。

處理Spark分區(qū)數(shù)據(jù)時(shí)，每次執(zhí)行程序在給定的Spark分區(qū)中遇到新的分區(qū)時(shí)，它都會打開一個(gè)新文件。默認(rèn)情況下，Spark對數(shù)據(jù)會使用Hash或者Round Robin分區(qū)器。當(dāng)應(yīng)用于任意數(shù)據(jù)時(shí)，可以假設(shè)這兩種方法在整個(gè)Spark分區(qū)中相對均勻且隨機(jī)分布數(shù)據(jù)。如下圖所示：

理想情況下，目標(biāo)文件大小應(yīng)該大約是HDFS塊大小的倍數(shù)，默認(rèn)情況下是128MB。在Hive中，提供了一些配置參數(shù)來自動將結(jié)果寫入到合理大小的文件中，從開發(fā)者的角度來看幾乎是透明的，比如設(shè)置屬性 hive.merge.smallfiles.avgsize 和

hive.merge.size.per.task 。但是，Spark中不存在此類功能，因此，我們需要自己開發(fā)實(shí)現(xiàn)，來確定一個(gè)數(shù)據(jù)集，應(yīng)該寫入多少文件。

5.3.1 基于大小的計(jì)算

理論上，這是最直接的方法，設(shè)置目標(biāo)大小，估算數(shù)據(jù)的大小，然后進(jìn)行劃分。但是，在很多情況下，文件被寫入磁盤時(shí)會進(jìn)行壓縮，并且其格式與存儲在 Java 堆中的記錄格式有所不同。這意味著估算寫入磁盤時(shí)內(nèi)存的記錄大小不是一件容易的事情。雖然可以使用 Spark SizeEstimator應(yīng)用程序通過內(nèi)存中的數(shù)據(jù)的大小進(jìn)行估算。但是，SizeEstimator會考慮數(shù)據(jù)幀、數(shù)據(jù)集的內(nèi)部消耗，以及數(shù)據(jù)的大小?？傮w來說，這種方式不太容易準(zhǔn)確實(shí)現(xiàn)。

5.3.2 基于行數(shù)的計(jì)算

這種方法是設(shè)置目標(biāo)行數(shù)，計(jì)算數(shù)據(jù)集的大小，然后執(zhí)行除法來估算目標(biāo)。我們的目標(biāo)行數(shù)可以通過多種方式確定，或者通過為所有數(shù)據(jù)集選擇一個(gè)靜態(tài)數(shù)字，或者通過確定磁盤上單個(gè)記錄的大小并執(zhí)行必要的計(jì)算。哪種方式最優(yōu)，取決于你的數(shù)據(jù)集數(shù)量及其復(fù)雜性。計(jì)算相對來說成本較低，但是需要在計(jì)算前緩存以避免重新計(jì)算數(shù)據(jù)集。

5.3.3 靜態(tài)文件計(jì)算

最簡單的解決方案是，只要求開發(fā)者在每個(gè)寫入任務(wù)的基礎(chǔ)上，告訴Spark總共應(yīng)該寫入多少個(gè)文件。這種方式需要給開發(fā)者一些其他方法來獲取具體的數(shù)字，可以通過這種方式來替代昂貴的計(jì)算。

即使我們知道了如何將文件寫入磁盤，但是，我們?nèi)皂氉孲park以符合實(shí)際的方式來構(gòu)建我們的分區(qū)。在Spark中，它提供了許多工具來確定數(shù)據(jù)在整個(gè)分區(qū)中的分布方式。但是，各種功能中隱藏著很多復(fù)雜性，在某些情況下，它們的含義并不明顯，下面將介紹Spark提供的一些選項(xiàng)來控制Spark輸出文件的數(shù)量。

5.4.1 合并

Spark Coalesce是一個(gè)特殊版本的重新分區(qū)，它只允許減少總的分區(qū)，但是不需要完全的Shuffle，因此比重新分區(qū)要快得多。它通過有效的合并分區(qū)來實(shí)現(xiàn)這一點(diǎn)。如下圖所示：

Coalesce在某些情況下看起來是不錯的，但是也有一些問題。首先，Coalesce有一個(gè)難以使用的行為，以一個(gè)非常基礎(chǔ)的Spark應(yīng)用程序?yàn)槔?，代碼如下所示：

Spark

load().map(…).filter(…).save()

比如，設(shè)置的并行度為1000，但是最終只想寫入10個(gè)文件，可以設(shè)置如下：

Spark

load().map(…).filter(…).coalesce(10).save()

但是，Spark會盡可能早的有效的將合并操作下推，因此這將執(zhí)行為如下代碼：

Spark

load().coalesce(10).map(…).filter(…).save()

有效的解決這種問題的方法是在轉(zhuǎn)換和合并之間強(qiáng)制執(zhí)行，代碼如下所示：

Spark

val df = load().map(…).filter(…).cache()df.count()df.coalesce(10)

在Spark中，緩存是必須的，否則，你將不得不重新計(jì)算數(shù)據(jù)，這可能會重新消耗計(jì)算資源。然后，緩存是需要消費(fèi)一定資源的，如果你的數(shù)據(jù)集無法放入內(nèi)存中，或者無法釋放內(nèi)存，將數(shù)據(jù)有效的存儲在內(nèi)存中兩次，那么必須使用磁盤緩存，這有其自身的局限性和顯著的性能損失。

此外，正如我們看到的，通常需要執(zhí)行Shuffle來獲得我們想要的更復(fù)雜的數(shù)據(jù)集結(jié)果。因此，Coalesce僅適用于特定的情況，比如如下場景：

5.4.2 簡單重新分區(qū)

在Spark中，一個(gè)簡單的重新分區(qū)，可以通過設(shè)置參數(shù)來實(shí)現(xiàn)，比如df.repartition(100)。在這種情況下，使用循環(huán)分區(qū)器，這意味著唯一的保證是輸出數(shù)據(jù)具有大致相同大小的Spark分區(qū)，這種分區(qū)僅適用于以下情況：

5.4.3 按列重新分區(qū)

按列重新分區(qū)接收目標(biāo)Spark分區(qū)計(jì)數(shù)，以及要重新分區(qū)的列序列，例如，df.repartition(100,$"date")。這對于強(qiáng)制要求Spark將具有相同鍵的數(shù)據(jù)，分發(fā)到同一個(gè)分區(qū)很有用。一般來說，這對許多Spark操作（比如JOIN）很有用。

按列重新分區(qū)使用HashPartitioner，將具有相同值的數(shù)據(jù)，分發(fā)給同一個(gè)分區(qū)，實(shí)際上，它將執(zhí)行以下操作：

但是，這種方法只有在每個(gè)分區(qū)鍵都可以安全的寫入到一個(gè)文件時(shí)才有效。這是因?yàn)闊o論有多少特定的Hash值，它們最終都會在同一個(gè)分區(qū)中。按列重新分區(qū)僅在你寫入一個(gè)或者多個(gè)小的Hive分區(qū)時(shí)才有效。在任何其他情況下，它都是無效的，因?yàn)槊總€(gè)Hive分區(qū)最終都會生成一個(gè)文件，僅適用于最小的數(shù)據(jù)集。

5.4.4 按具有隨機(jī)因子的列重新分區(qū)

我們可以通過添加約束的隨機(jī)因子來按列修改重新分區(qū)，具體代碼如下：

Spark

df.withColumn("rand", rand() % filesPerPartitionKey).repartition(100, $"key", $"rand")

理論上，只要滿足以下條件，這種方法應(yīng)該會產(chǎn)生排序規(guī)則的數(shù)據(jù)和大小均勻的文件：

但是，即使我們滿足上述這些條件，還有另外一個(gè)問題：散列沖突。假設(shè)，現(xiàn)在正在處理一年的數(shù)據(jù)，日期作為分區(qū)的唯一鍵。如果每個(gè)分區(qū)需要5個(gè)文件，可以執(zhí)行如下代碼操作：

Spark

df.withColumn("rand", rand() % 5).repartition(5*365, $"date", $"rand")

在后臺，Scala將構(gòu)造一個(gè)包含日期和隨機(jī)因子的鍵，例如（,<0-4>）。然后，如果我們查看HashPartitioner代碼，可以發(fā)現(xiàn)它將執(zhí)行以下操作：

Spark

class HashPartitioner(partitions: Int) extends Partitioner {    def getPartition(key: Any): Int = key match {        case null => 0        case _ => Utils.nonNegativeMod(key.hashCode, numPartitions)    }}

實(shí)際上，這里面所做的事情，就是獲取關(guān)鍵元組的散列，然后使用目標(biāo)數(shù)量的Spark分區(qū)獲取它的mod。我們可以分析一下在這種情況下我們的數(shù)據(jù)將如何實(shí)現(xiàn)分布，具體代碼如下：

Spark

import java.time.LocalDatedef hashCodeTuple(one: String, two: Int, mod: Int): Int = { val rawMod = (one, two).hashCode % mod rawMod + (if (rawMod < 0) mod else 0)}def hashCodeSeq(one: String, two: Int, mod: Int): Int = { val rawMod = Seq(one, two).hashCode % mod rawMod + (if (rawMod < 0) mod else 0)}def iteration(numberDS: Int, filesPerPartition: Int): (Double, Double, Double) = {  val hashedRandKeys = (0 to numberDS - 1).map(x => LocalDate.of(2019, 1, 1).plusDays(x)).flatMap(    x => (0 to filesPerPartition - 1).map(y => hashCodeTuple(x.toString, y, filesPerPartition*numberDS))  )  hashedRandKeys.size // Number of unique keys, with the random factor  val groupedHashedKeys = hashedRandKeys.groupBy(identity).view.mapValues(_.size).toSeq  groupedHashedKeys.size // number of actual sPartitions used  val sortedKeyCollisions = groupedHashedKeys.filter(_._2 != 1).sortBy(_._2).reverse  val sortedSevereKeyCollisions = groupedHashedKeys.filter(_._2 > 2).sortBy(_._2).reverse  sortedKeyCollisions.size // number of sPartitions with a hashing collision  // (collisions, occurences)  val collisionCounts = sortedKeyCollisions.map(_._2).groupBy(identity).view.mapValues(_.size).toSeq.sortBy(_._2).reverse  (    groupedHashedKeys.size.toDouble / hashedRandKeys.size.toDouble,    sortedKeyCollisions.size.toDouble / groupedHashedKeys.size.toDouble,  sortedSevereKeyCollisions.size.toDouble / groupedHashedKeys.size.toDouble  )}val results = Seq(  iteration(365, 1),  iteration(365, 5),  iteration(365, 10),  iteration(365, 100),  iteration(365 * 2, 100),  iteration(365 * 5, 100),  iteration(365 * 10, 100))val avgEfficiency = results.map(_._1).sum / results.lengthval avgCollisionRate = results.map(_._2).sum / results.lengthval avgSevereCollisionRate = results.map(_._3).sum / results.length(avgEfficiency, avgCollisionRate, avgSevereCollisionRate) // 63.2%, 42%, 12.6%

上面的腳本計(jì)算了3個(gè)數(shù)量：

沖突很重要，因?yàn)樗鼈円馕吨覀兊腟park分區(qū)包含多個(gè)唯一的分區(qū)鍵，而我們預(yù)計(jì)每個(gè)Spark分區(qū)只有1個(gè)。我們從分析的結(jié)果可知，我們使用了63%的執(zhí)行器，并且可能會出現(xiàn)嚴(yán)重的偏差，我們將近一半的執(zhí)行正在處理比預(yù)期多2到3倍或者在某些情況下高達(dá)8倍的數(shù)據(jù)。

現(xiàn)在，有一個(gè)解決方法，即分區(qū)縮放。在之前示例中，輸出的Spark分區(qū)數(shù)量等于預(yù)期的總文件數(shù)。如果將N個(gè)對象隨機(jī)分配給N個(gè)插槽，可以預(yù)期會有多個(gè)插槽包含多個(gè)對象，并且有幾個(gè)空插槽。因此，需要解決此問題，必須要降低對象與插槽的比率。

我們通過縮放輸出分區(qū)計(jì)數(shù)來實(shí)現(xiàn)這一點(diǎn)，通過將輸出Spark分區(qū)數(shù)乘以一個(gè)大因子，類似于：

Spark

df.withColumn("rand", rand() % 5).repartition(5*365*SCALING_FACTOR, $"date", $"rand")

具體分析代碼如下所示：

Spark

import java.time.LocalDatedef hashCodeTuple(one: String, two: Int, mod: Int): Int = { val rawMod = (one, two).hashCode % mod rawMod + (if (rawMod < 0) mod else 0)}def hashCodeSeq(one: String, two: Int, mod: Int): Int = { val rawMod = Seq(one, two).hashCode % mod rawMod + (if (rawMod < 0) mod else 0)}def iteration(numberDS: Int, filesPerPartition: Int, partitionFactor: Int = 1): (Double, Double, Double, Double) = {  val partitionCount = filesPerPartition*numberDS * partitionFactor  val hashedRandKeys = (0 to numberDS - 1).map(x => LocalDate.of(2019, 1, 1).plusDays(x)).flatMap(    x => (0 to filesPerPartition - 1).map(y => hashCodeTuple(x.toString, y, partitionCount))  )  hashedRandKeys.size // Number of unique keys, with the random factor  val groupedHashedKeys = hashedRandKeys.groupBy(identity).view.mapValues(_.size).toSeq  groupedHashedKeys.size // number of unique hashes - and thus, sPartitions with > 0 records  val sortedKeyCollisions = groupedHashedKeys.filter(_._2 != 1).sortBy(_._2).reverse  val sortedSevereKeyCollisions = groupedHashedKeys.filter(_._2 > 2).sortBy(_._2).reverse  sortedKeyCollisions.size // number of sPartitions with a hashing collision  // (collisions, occurences)  val collisionCounts = sortedKeyCollisions.map(_._2).groupBy(identity).view.mapValues(_.size).toSeq.sortBy(_._2).reverse  (    groupedHashedKeys.size.toDouble / partitionCount,    groupedHashedKeys.size.toDouble / hashedRandKeys.size.toDouble,    sortedKeyCollisions.size.toDouble / groupedHashedKeys.size.toDouble,    sortedSevereKeyCollisions.size.toDouble / groupedHashedKeys.size.toDouble  )}// With a scale factor of 1val results = Seq(  iteration(365, 1),  iteration(365, 5),  iteration(365, 10),  iteration(365, 100),  iteration(365 * 2, 100),  iteration(365 * 5, 100),  iteration(365 * 10, 100))val avgEfficiency = results.map(_._2).sum / results.length // What is the ratio of executors / output filesval avgCollisionRate = results.map(_._3).sum / results.length // What is the average collision rateval avgSevereCollisionRate = results.map(_._4).sum / results.length // What is the average collision rate where 3 or more hashes collide(avgEfficiency, avgCollisionRate, avgSevereCollisionRate) // 63.2% Efficiency, 42% collision rate, 12.6% severe collision rateiteration(365, 5, 2) // 37.7% partitions in-use, 77.4% Efficiency, 24.4% collision rate, 4.2% severe collision rateiteration(365, 5, 5)iteration(365, 5, 10)iteration(365, 5, 100)

隨著我們的比例因子接近無窮大，碰撞很快接近于0，效率接近100%。但是，這會產(chǎn)生另外一個(gè)問題，即大量Spark分區(qū)輸出將為空。同時(shí)這些空的Spark分區(qū)也會帶來一些資源開銷，增加Driver的內(nèi)存大小，會使我們更容易遇到，由于異常錯誤而導(dǎo)致分區(qū)鍵空間意外增大的問題。

這里的一個(gè)常見方法，是在使用這種方法時(shí)不顯示設(shè)置分區(qū)（默認(rèn)并行度和縮放），如果不提供分區(qū)計(jì)數(shù)，則依賴Spark默認(rèn)的spark.default.parallelism值。雖然，通常并行度自然高于總輸出文件數(shù)（因此，隱式提供大于1 的縮放因子）。如果滿足以下條件，這種方式依然是一種有效的方法：

5.4.5 按范圍重新分區(qū)

按范圍重新分區(qū)是一個(gè)特列，它不使用RoundRobin和Hash Partitioner，而是使用一種特殊的方法，叫做Range Partitioner。

范圍分區(qū)器根據(jù)某些給定鍵的順序在Spark分區(qū)之間進(jìn)行拆分行，但是，它不僅僅是全局排序，而且還擁有以下特性：

總而言之，范圍分區(qū)將導(dǎo)致Spark創(chuàng)建與請求的Spark分區(qū)數(shù)量相等的Bucket數(shù)量，然后它將這些Bucket映射到指定分區(qū)鍵的范圍。例如，如果你的分區(qū)鍵是日期，則范圍可能是（最小值2022-01-01，最大值2023-01-01）。然后，對于每條記錄，將記錄的分區(qū)鍵與存儲Bucket的最小值和最大值進(jìn)行比較，并相應(yīng)的進(jìn)行分配。如下圖所示：

在選擇分區(qū)策略時(shí)，需要根據(jù)具體的應(yīng)用場景和需求進(jìn)行選擇。常見的分區(qū)策略包括按照時(shí)間、地域、用戶ID等多個(gè)維度進(jìn)行分區(qū)。在應(yīng)用分區(qū)策略時(shí)，還可以通過一些優(yōu)化措施來進(jìn)一步提高分區(qū)的性能和效率，例如合理設(shè)置分區(qū)數(shù)、避免過多的分區(qū)列、減少重復(fù)數(shù)據(jù)等。

總之，分區(qū)是大數(shù)據(jù)處理和分布式計(jì)算中非常重要的技術(shù)，可以幫助我們更好的管理和處理大規(guī)模的數(shù)據(jù)，提高數(shù)據(jù)處理的效率和性能，進(jìn)而幫助我們更好的應(yīng)對數(shù)據(jù)分析和業(yè)務(wù)應(yīng)用的挑戰(zhàn)。

參考：

關(guān)鍵詞：