Spark性能优化(八):Shuffle调优

1.为什么会产生Shuffle?2.如何进行Shuffle调优？
3.Shuffle调优最佳实践？



        在Spark程序中，Shuffle是性能的最大瓶颈，因为Shuffle的过程往往伴随着磁盘IO与网络IO等开销，程序编写的一个准则就是‘尽量避免使用需要shuffle的算子，且在必须shuffle时尽量减小shuffle的数据量’，而在shuffle不可避免时，我们也要尽量优化shuffle的方方面面以调性能。
        我们在这里针对Shffule过程中的一些主要参数，详细讲解了各个参数的功能、默认值以及基于实践经验给出的调优建议。更详细的关于shuffle的解析，请参阅本书第七章：shuffle机制。
        spark.shuffle.file.buffer：该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘，默认值为32k。调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如128k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO次数，进而提升性能。
        spark.reducer.maxSizeInFlight：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次能够拉取多少数据，默认值为48m。调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。
        spark.shuffle.io.maxRetries：shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的，该参数就代表了可以重试的最大次数。如果在指定次数之内拉取还是没有成功，就可能会导致作业执行失败。默认值3。调优建议：对于那些包含了特别耗时的shuffle操作的作业，建议增加重试最大次数（比如30次），以避免由于JVM的full gc或者网络不稳定等因素导致的数据拉取失败。在实践中发现，对于针对超大数据量（数十亿~上百亿）的shuffle过程，调节该参数可以大幅度提升稳定性。
        spark.shuffle.io.retryWait：具体解释同上，该参数代表了每次重试拉取数据的等待间隔，默认值是5s。调优建议：建议加大间隔时长（比如30s），以增加shuffle操作的稳定性。
spark.shuffle.memoryFraction与spark.storage.memoryFraction (StaticMemoryManager模式下), 或spark.memory.fraction与spark.memory.storageFraction (UnifiedMemoryManager模式下): 详情参考10.3.3-资源参数调优。
        spark.shuffle.manager：该参数用于设置ShuffleManager的类型。Spark 1.5以后，有三个可选项：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的默认选项，但是Spark 1.2以及之后的版本默认都是SortShuffleManager了. Tungsten-sort与sort类似，但是使用了tungsten计划中的堆外内存管理机制，内存使用效率更高。调优建议：由于SortShuffleManager默认会对数据进行排序，因此如果你的业务逻辑中需要该排序机制的话，则使用默认的SortShuffleManager就可以；而如果你的业务逻辑不需要对数据进行排序，那么建议参考后面的几个参数调优，通过bypass机制或优化的HashShuffleManager来避免排序操作，同时提供较好的磁盘读写性能。这里要注意的是，随着tungsten-sort越来月稳定，可以尝试使用tungsten-sort。
        spark.shuffle.sort.bypassMergeThreshold：当ShuffleManager为SortShuffleManager时，如果shuffle read task的数量小于这个阈值，则shuffle write过程中不会进行排序操作，而是直接按照未经优化的HashShuffleManager的方式去写数据，但是最后会将每个task产生的所有临时磁盘文件都合并成一个文件，并会创建单独的索引文件。默认值是200。调优建议：当你使用SortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些，大于shuffle read task的数量。那么此时就会自动启用bypass机制，此时map端就不会进行排序了，减少了排序的性能开销。但是这种方式下，依然会产生大量的磁盘文件，因此shuffle write性能有待提高。
        spark.shuffle.consolidateFiles：如果使用HashShuffleManager，该参数有效。如果设置为true，那么就会开启consolidate机制，会大幅度合并shuffle write的输出文件，对于shuffle read task数量特别多的情况下，这种方法可以极大地减少磁盘IO开销，提升性能。默认值是false。调优建议：如果的确不需要SortShuffleManager的排序机制，那么除了使用bypass机制，还可以尝试将spark.shffle.manager参数手动指定为hash，使用HashShuffleManager，同时开启consolidate机制。
spark.local.dir：shuffle的write阶段使用的本地磁盘目录。当shuffle阶段磁盘IO时间过长时，可以将该参数设置为多个IO速度快的磁盘，通过增加IO来优化shuffle性能。