Spark MapReduce 排序性能测试比较

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	是	是	否
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。