如何在万亿级别规模的数据量上使用Spark

作者：张国鹏 | 腾讯 运营开发工程师

前言

Spark作为大数据计算引擎，凭借其快速、稳定、简易等特点，快速的占领了大数据计算的领域。本文主要为作者在搭建使用计算平台的过程中，对于Spark的理解，希望能给读者一些学习的思路。文章内容为介绍Spark在DataMagic平台扮演的角色、如何快速掌握Spark以及DataMagic平台是如何使用好Spark的。

Spark在平台中的角色

整套架构的主要功能为日志接入、查询(实时和离线)、计算。离线计算平台主要负责计算这一部分，系统的存储用的是COS(公司内部存储)，而非HDFS。

下面将主要介绍Spark on Yarn这一架构，抽取出来即图2-2所示，可以看到Spark on yarn的运行流程。

如何快速掌握Spark

对于理解Spark，我觉得掌握下面4个步骤就可以了。

1．理解Spark术语

对于入门，学习Spark可以通过其架构图，快速了解其关键术语，掌握了关键术语，对Spark基本上就有认识了，分别是结构术语Shuffle、Patitions、MapReduce、Driver、Application Master、Container、Resource Manager、Node Manager等。API编程术语关键RDD、DataFrame，结构术语用于了解其运行原理，API术语用于使用过程中编写代码，掌握了这些术语以及背后的知识，你就也知道Spark的运行原理和如何编程了。

2．掌握关键配置

Spark在运行的时候，很多运行信息是通过配置文件读取的，一般在spark-defaults.conf，要把Spark使用好，需要掌握一些关键配置，例如跟运行内存相关的，spark.yarn.executor.memoryOverhead、spark.executor.memory，跟超时相关的spark.network.timeout等等，Spark很多信息都可以通过配置进行更改，因此对于配置需要有一定的掌握。但是使用配置时，也要根据不同的场景，这个举个例子，例如spark.speculation配置，这个配置主要目的是推测执行，当worker1执行慢的情况下，Spark会启动一个worker2，跟worker1执行相同的任务，谁先执行完就用谁的结果，从而加快计算速度，这个特性在一般计算任务来说是非常好的，但是如果是执行一个出库到Mysql的任务时，同时有两个一样的worker，则会导致Mysql的数据重复。因此我们在使用配置时，一定要理解清楚，直接google spark conf就会列出很多配置了。

3．使用好Spark的并行

我们之所以使用Spark进行计算，原因就是因为它计算快，但是它快的原因很大在于它的并行度，掌握Spark是如何提供并行服务的，从而是我们更好的提高并行度。

4．学会如何修改Spark代码

新手而言，特别是需要对Spark进行优化或者修改时，感到很迷茫，其实我们可以首先聚焦于局部，而Spark确实也是模块化的，不需要觉得Spark复杂并且难以理解，我将从修改Spark代码的某一角度来进行分析。

首先，Spark的目录结构如图3-1所示，可以通过文件夹，快速知道sql、graphx等代码所在位置，而Spark的运行环境主要由jar包支撑，如图3-2所示，这里截取部分jar包，实际上远比这多，所有的jar包都可以通过Spark的源代码进行编译，当需要修改某个功能时，仅需要找到相应jar包的代码，修改之后，编译该jar包，然后进行替换就行了。

而对于编译源代码这块，其实也非常简单，安装好maven、scala等相关依赖，下载源代码进行编译即可，掌握修改源码技巧对于使用好开源项目十分重要。

DataMagic平台中的Spark

Spark在DataMagic中使用，也是在边使用边探索的过程，在这过程中，列举了其比较重要的特点。

1．快速部署

在计算中，计算任务的数量以及数据的量级每天都会发生变化，因此对于Spark平台，需要有快速部署的特性，在实体机上，有一键部署脚本，只要运行一个脚本，则可以马上上线一个拥有128G内存、48cores的实体机，但是实体机通常需要申请报备才能获得，因此还会有docker来支持计算资源。

2．巧用配置优化计算

Spark大多数属性都是通过配置来实现的，因此可以通过配置动态修改Spark的运行行为，这里举个例子，例如通过配置自动调整exector的数量。

在nodeManager的yarn-site.xml添加配置

mapreduce_shuffle,spark_shuffle

将spark-2.2.0-yarn-shuffle.jar文件拷贝到hadoop-yarn/lib目录下（即yarn的库目录）

在Spark的spark-default.xml添加配置

spark.dynamicAllocation.minExecutors 1 #最小Executor数

spark.dynamicAllocation.maxExecutors 100 #最大Executor数

通过这种配置，可以达到自动调整exector的目的。

3．合理分配资源

作为一个平台，其计算任务肯定不是固定的，有的数据量多，有的数据量少，因此需要合理分配资源，例如有些千万、亿级别的数据，分配20核计算资源就足够了。但是有些数据量级达到百亿的，就需要分配更多的计算资源了。参考第三章节的第3点。

4．贴合业务需求

计算的目的其实就是为了服务业务，业务的需求也理应是平台的追求，当业务产生合理需求时，平台方也应该尽量去满足。如为了支持业务高并发、高实时性查询的需求下，Spark在数据出库方式上，支持了Cmongo的出库方式。

sc = SparkContext(conf=conf)

sqlContext = SQLContext(sc)

database = d = dict((l.split('=') for l in dbparameter.split()))

parquetFile.registerTempTable(tempTable)

result = sqlContext.sql(sparksql)

url = "mongodb://"+database['user']+":"+database['password']+"@"+database['host']+":"+database['port'] result.write.format("com.mongodb.spark.sql").mode('overwrite').options(uri=url,database=database['dbname'],collection=pg_table_name).save()

Spark作为通用的计算平台，在普通的应用的场景下，一般而言是不需要额外修改的，但是DataMagic平台上，我们需要“在前行中改变”。这里举个简单的场景，在日志分析中，日志的量级达到千亿/日的级别，当底层日志的某些字段出现utf-8编码都解析不了的时候，在Spark任务中进行计算会发生异常，然后失败，然而如果在数据落地之前对乱码数据进行过滤，则有可能会影响数据采集的效率，因此最终决定在Spark计算过程中解决中这个问题，因此在Spark计算时，对数据进行转换的代码处加上异常判断来解决该问题。5．适用场景

6．Job问题定位

Spark在计算任务失败时候，需要去定位失败原因，当Job失败是，可以通过yarn logs -applicationId application 来合并任务log，打开log，定位到Traceback，一般可以找到失败原因。一般而言，失败可以分成几类。

代码问题，写的Sql有语法问题，或者Spark代码有问题。

Spark问题，旧Spark版本处理NULL值等。

任务长时间Running状态，则可能是数据倾斜问题。

任务内存越界问题。

7．集群管理

Spark集群在日常使用中，也是需要运营维护的，从而运营维护，发现其存在的问题，不断的对集群进行优化，这里从以下几个方面进行介绍，通过运营手段来保障集群的健壮性和稳定性，保证任务顺利执行。

定时查看是否有lost node和unhealthy node，可以通过脚本来定时设置告警，若存在，则需要进行定位处理。

定时扫描hdfs的运行log是否满了，需要定时删除过期log。

定时扫描集群资源是否满足计算任务使用，能够提前部署资源。

总结

本文主要是通过作者在搭建使用计算平台的过程中，写出对于Spark的理解，并且介绍了Spark在当前的DataMagic是如何使用的，当前平台已经用于架平离线分析，每天计算分析的数据量已经达到千亿~万亿级别。

原创声明，本文系作者授权云+社区-专栏发表，未经许可，不得转载。