7.spark core之數據分區

簡介

??spark一個最重要的特性就是對數據集在各個節點的分區進行控制。控制數據分布可以減少網絡開銷，極大地提升整體性能。

??只有Pair RDD才有分區，非Pair RDD分區的值是None。如果RDD只被掃描一次，沒必要預先分區處理；如果RDD多次在諸如連接這種基于鍵的操作中使用時，分區才有作用。

分區器

??分區器決定了RDD的分區個數及每條數據最終屬于哪個分區。

??spark提供了兩個分區器：HashPartitioner和RangePartitioner,它們都繼承于org.apache.spark.Partitioner類并實現三個方法。

• numPartitions: Int: 指定分區數
• getPartition(key: Any): Int: 分區編號（0~numPartitions-1）
• equals(): 檢查分區器對象是否和其他分區器實例相同，判斷兩個RDD分區方式是否一樣。

HashPartitioner分區

??HashPartitioner分區執行原理：對于給定的key，計算其hashCode，再除以分區數取余，最后的值就是這個key所屬的分區ID。實現如下：

class HashPartitioner(partitions: Int) extends Partitioner {
  require(partitions >= 0, s"Number of partitions ($partitions) cannot be negative.")

  def numPartitions: Int = partitions

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

  override def equals(other: Any): Boolean = other match {
    case h: HashPartitioner =>
      h.numPartitions == numPartitions
    case _ =>
      false
  }

  override def hashCode: Int = numPartitions
}

RangePartitioner分區

??HashPartitioner分區可能導致每個分區中數據量的不均勻。而RangePartitioner分區則盡量保證每個分區中數據量的均勻，將一定范圍內的數映射到某一個分區內。分區與分區之間數據是有序的，但分區內的元素是不能保證順序的。

??RangePartitioner分區執行原理：

• 計算總體的數據抽樣大小sampleSize，計算規則是：至少每個分區抽取20個數據或者最多1M的數據量。
• 根據sampleSize和分區數量計算每個分區的數據抽樣樣本數量sampleSizePrePartition
• 調用RangePartitioner的sketch函數進行數據抽樣，計算出每個分區的樣本。
• 計算樣本的整體占比以及數據量過多的數據分區，防止數據傾斜。
• 對于數據量比較多的RDD分區調用RDD的sample函數API重新進行數據抽取。
• 將最終的樣本數據通過RangePartitoner的determineBounds函數進行數據排序分配，計算出rangeBounds。

class RangePartitioner[K: Ordering : ClassTag, V](
                partitions: Int,
                rdd: RDD[_ <: Product2[K, V]],
                private var ascending: Boolean = true)
  extends Partitioner {

  // We allow partitions = 0, which happens when sorting an empty RDD under the default settings.
  require(partitions >= 0, s"Number of partitions cannot be negative but found $partitions.")

  // 獲取RDD中K類型數據的排序器
  private var ordering = implicitly[Ordering[K]]

  // An array of upper bounds for the first (partitions - 1) partitions
  private var rangeBounds: Array[K] = {
    if (partitions <= 1) {
      // 如果給定的分區數小于等于1的情況下，直接返回一個空的集合，表示數據不進行分區
      Array.empty
    } else {
      // This is the sample size we need to have roughly balanced output partitions, capped at 1M.
      // 給定總的數據抽樣大小，最多1M的數據量(10^6)，最少20倍的RDD分區數量，也就是每個RDD分區至少抽取20條數據
      val sampleSize = math.min(20.0 * partitions, 1e6)
      // Assume the input partitions are roughly balanced and over-sample a little bit.
      // RDD各分區中的數據量可能會出現傾斜的情況，乘于3的目的就是保證數據量小的分區能夠采樣到足夠的數據，而對于數據量大的分區會進行第二次采樣
      val sampleSizePerPartition = math.ceil(3.0 * sampleSize / rdd.partitions.size).toInt
      // 從rdd中抽取數據，返回值:(總rdd數據量， Array[分區id，當前分區的數據量，當前分區抽取的數據])
      val (numItems, sketched) = RangePartitioner.sketch(rdd.map(_._1), sampleSizePerPartition)
      if (numItems == 0L) {
        // 如果總的數據量為0(RDD為空)，那么直接返回一個空的數組
        Array.empty
      } else {
        // If a partition contains much more than the average number of items, we re-sample from it
        // to ensure that enough items are collected from that partition.
        // 計算總樣本數量和總記錄數的占比，占比最大為1.0
        val fraction = math.min(sampleSize / math.max(numItems, 1L), 1.0)
        // 保存樣本數據的集合buffer
        val candidates = ArrayBuffer.empty[(K, Float)]
        // 保存數據分布不均衡的分區id(數據量超過fraction比率的分區)
        val imbalancedPartitions = mutable.Set.empty[Int]
        // 計算抽取出來的樣本數據
        sketched.foreach { case (idx, n, sample) =>
          if (fraction * n > sampleSizePerPartition) {
            // 如果fraction乘以當前分區中的數據量大于之前計算的每個分區的抽象數據大小，那么表示當前分區抽取的數據太少了，該分區數據分布不均衡，需要重新抽取
            imbalancedPartitions += idx
          } else {
            // 當前分區不屬于數據分布不均衡的分區，計算占比權重，并添加到candidates集合中
            // The weight is 1 over the sampling probability.
            val weight = (n.toDouble / sample.size).toFloat
            for (key <- sample) {
              candidates += ((key, weight))
            }
          }
        }

        // 對于數據分布不均衡的RDD分區，重新進行數據抽樣
        if (imbalancedPartitions.nonEmpty) {
          // Re-sample imbalanced partitions with the desired sampling probability.
          // 獲取數據分布不均衡的RDD分區，并構成RDD
          val imbalanced = new PartitionPruningRDD(rdd.map(_._1), imbalancedPartitions.contains)
          // 隨機種子
          val seed = byteswap32(-rdd.id - 1)
          // 利用rdd的sample抽樣函數API進行數據抽樣
          val reSampled = imbalanced.sample(withReplacement = false, fraction, seed).collect()
          val weight = (1.0 / fraction).toFloat
          candidates ++= reSampled.map(x => (x, weight))
        }

        // 將最終的抽樣數據計算出rangeBounds出來
        RangePartitioner.determineBounds(candidates, partitions)
      }
    }
  }

  // 下一個RDD的分區數量是rangeBounds數組中元素數量+ 1個
  def numPartitions: Int = rangeBounds.length + 1

  // 二分查找器，內部使用java中的Arrays類提供的二分查找方法
  private var binarySearch: ((Array[K], K) => Int) = CollectionsUtils.makeBinarySearch[K]

  // 根據RDD的key值返回對應的分區id。從0開始
  def getPartition(key: Any): Int = {
    // 強制轉換key類型為RDD中原本的數據類型
    val k = key.asInstanceOf[K]
    var partition = 0
    if (rangeBounds.length <= 128) {
      // If we have less than 128 partitions naive search
      // 如果分區數據小于等于128個，那么直接本地循環尋找當前k所屬的分區下標
      while (partition < rangeBounds.length && ordering.gt(k, rangeBounds(partition))) {
        partition += 1
      }
    } else {
      // Determine which binary search method to use only once.
      // 如果分區數量大于128個，那么使用二分查找方法尋找對應k所屬的下標;
      // 但是如果k在rangeBounds中沒有出現，實質上返回的是一個負數(范圍)或者是一個超過rangeBounds大小的數(最后一個分區，比所有數據都大)
      partition = binarySearch(rangeBounds, k)
      // binarySearch either returns the match location or -[insertion point]-1
      if (partition < 0) {
        partition = -partition - 1
      }
      if (partition > rangeBounds.length) {
        partition = rangeBounds.length
      }
    }

    // 根據數據排序是升序還是降序進行數據的排列，默認為升序
    if (ascending) {
      partition
    } else {
      rangeBounds.length - partition
    }
  }

影響分區的算子操作

??影響分區的算子操作有：cogroup()、groupWith()、join()、leftOuterJoin()、rightOuterJoin()、groupByKey()、reduceByKey()、combineByKey()、partitionBy()、repartition()、coalesce()、sort()、mapValues()(如果父RDD有分區方式)、flatMapValues()(如果父RDD有分區方式)。

??對于執行兩個RDD的算子操作，輸出數據的分區方式取決于父RDD的分區方式。默認情況下，結果會采用哈希分區，分區的數量和操作的并行度一樣。不過，如果其中一個父RDD設置過分區方式，結果就采用那種分區方式；如果兩個父RDD都設置過分區方式，結果RDD采用第一個父RDD的分區方式。

repartition和partitionBy的區別

??repartition 和 partitionBy 都是對數據進行重新分區，默認都是使用 HashPartitioner。但是二者之間的區別有：

• partitionBy只能用于Pair RDD
• 都作用于Pair RDD時，結果也不一樣
  

??其實partitionBy的結果才是我們所預期的。repartition 其實使用了一個隨機生成的數來當作 key，而不是使用原來的key。

def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
    coalesce(numPartitions, shuffle = true)
}

def coalesce(numPartitions: Int, shuffle: Boolean = false)(implicit ord: Ordering[T] = null)
      : RDD[T] = withScope {
    if (shuffle) {
      /** Distributes elements evenly across output partitions, starting from a random partition. */
      val distributePartition = (index: Int, items: Iterator[T]) => {
        var position = (new Random(index)).nextInt(numPartitions)
        items.map { t =>
          // Note that the hash code of the key will just be the key itself. The HashPartitioner
          // will mod it with the number of total partitions.
          position = position + 1
          (position, t)
        }
      } : Iterator[(Int, T)]

      // include a shuffle step so that our upstream tasks are still distributed
      new CoalescedRDD(
        new ShuffledRDD[Int, T, T](mapPartitionsWithIndex(distributePartition),
        new HashPartitioner(numPartitions)),
        numPartitions).values
    } else {
      new CoalescedRDD(this, numPartitions)
    }
}

repartition和coalesce的區別

??兩個算子都是對RDD的分區進行重新劃分，repartition只是coalesce接口中shuffle為true的簡易實現，（假設RDD有N個分區，需要重新劃分成M個分區）

• N<M。一般情況下N個分區有數據分布不均勻的狀況，利用HashPartitioner函數將數據重新分區為M個，這時需要將shuffle設置為true。
• 如果N>M并且N和M相差不多(假如N是1000，M是100)，這時可以將shuffle設置為false，不進行shuffle過程，父RDD和子RDD之間是窄依賴關系。在shuffle為false的情況下，如果N<M時，coalesce是無效的。
• 如果N>M并且兩者相差懸殊，這時如果將shuffle設置為false，父子RDD是窄依賴關系，同處在一個Stage中，就可能造成spark程序的并行度不夠，從而影響性能。如果在M為1的時候，為了使coalesce之前的操作有更好的并行度，可以將shuffle設置為true。

實例分析

需求

??統計用戶訪問其未訂閱主題頁面的情況。

• 用戶信息表：由(UserID,UserInfo)組成的RDD，UserInfo包含該用戶所訂閱的主題列表。
• 事件表：由(UserID,LinkInfo)組成的RDD，存放著每五分鐘內網站各用戶訪問情況。

代碼實現

val sc = new SparkContext()
val userData = sc.sequenceFile[UserID,LinkInfo]("hdfs://...").persist
def processNewLogs(logFileName:String){
    val events = sc.sequenceFile[UserID, LinkInfo](logFileName)
    //RDD of (UserID,(UserInfo,LinkInfo)) pairs
    val joined = usersData.join(events)
    val offTopicVisits = joined.filter {
        // Expand the tuple into its components
        case (userId, (userInfo, linkInfo)) => 
            !userInfo.topics.contains(linkInfo.topic)
    }.count()
    println("Number of visits to non-subscribed opics: " + offTopicVisits)
}

缺點

??連接操作會將兩個數據集中的所有鍵的哈希值都求出來，將哈希值相同的記錄通過網絡傳到同一臺機器上，然后再對所有鍵相同的記錄進行連接操作。userData表數據量很大，所以這樣進行哈希計算和跨節點數據混洗非常耗時。

改進代碼實現

val userData = sc.sequenceFile[UserID,LinkInfo]("hdfs://...")
.partionBy(new HashPartiotioner(100))
.persist()

優點

??userData表進行了重新分區，將鍵相同的數據都放在一個分區中。然后調用persist持久化結果數據，不用每次都計算哈希和跨節點混洗。程序運行速度顯著提升。

忠于技術，熱愛分享。歡迎關注公眾號：java大數據編程，了解更多技術內容。