[[189314]]

最近因為手抖，在Spark中給自己挖了一個數據傾斜的坑。為了解決這個問題，順便研究了下Spark分區器的原理，趁著周末加班總結一下~

先說說數據傾斜

數據傾斜是指Spark中的RDD在計算的時候，每個RDD內部的分區包含的數據不平均。比如一共有5個分區，其中一個占有了90%的數據，這就導致本來5個分區可以5個人一起并行干活，結果四個人不怎么干活，工作全都壓到一個人身上了。遇到這種問題，網上有很多的解決辦法。

但是如果是底層數據的問題，無論怎么優化，還是無法解決數據傾斜的。

比如你想要對某個rdd做groupby，然后做join操作，如果分組的key就是分布不均勻的，那么真樣都是無法優化的。因為一旦這個key被切分，就無法完整的做join了，如果不對這個key切分，必然會造成對應的分區數據傾斜。

不過，了解數據為什么會傾斜還是很重要的，繼續往下看吧!

分區的作用

在PairRDD即(key,value)這種格式的rdd中，很多操作都是基于key的，因此為了獨立分割任務，會按照key對數據進行重組。比如groupbykey

重組肯定是需要一個規則的，最常見的就是基于Hash，Spark還提供了一種稍微復雜點的基于抽樣的Range分區方法。

下面我們先看看分區器在Spark計算流程中是怎么使用的：

Paritioner的使用

就拿groupbykey來說：

def groupByKey(): JavaPairRDD[K, JIterable[V]] = 
    fromRDD(groupByResultToJava(rdd.groupByKey())) 

它會調用PairRDDFunction的groupByKey()方法

def groupByKey(): RDD[(K, Iterable[V])] = self.withScope { 
    groupByKey(defaultPartitioner(self)) 
  } 

在這個方法里面創建了默認的分區器。默認的分區器是這樣定義的：

def defaultPartitioner(rdd: RDD[_], others: RDD[_]*): Partitioner = { 
    val bySize = (Seq(rdd) ++ others).sortBy(_.partitions.size).reverse 
    for (r <- bySize if r.partitioner.isDefined && r.partitioner.get.numPartitions > 0) { 
      return r.partitioner.get 
    } 
    if (rdd.context.conf.contains("spark.default.parallelism")) { 
      new HashPartitioner(rdd.context.defaultParallelism) 
    } else { 
      new HashPartitioner(bySize.head.partitions.size) 
    } 
  } 

首先獲取當前分區的分區個數，如果沒有設置spark.default.parallelism參數，則創建一個跟之前分區個數一樣的Hash分區器。

當然，用戶也可以自定義分區器，或者使用其他提供的分區器。API里面也是支持的：

// 傳入分區器對象 
def groupByKey(partitioner: Partitioner): JavaPairRDD[K, JIterable[V]] = 
    fromRDD(groupByResultToJava(rdd.groupByKey(partitioner))) 
// 傳入分區的個數 
def groupByKey(numPartitions: Int): JavaPairRDD[K, JIterable[V]] = 
    fromRDD(groupByResultToJava(rdd.groupByKey(numPartitions))) 

HashPatitioner

Hash分區器，是最簡單也是默認提供的分區器，了解它的分區規則，對我們處理數據傾斜或者設計分組的key時，還是很有幫助的。

class HashPartitioner(partitions: Int) extends Partitioner { 
  require(partitions >= 0, s"Number of partitions ($partitions) cannot be negative.") 
 
  def numPartitions: Int = partitions 
 
  // 通過key計算其HashCode，并根據分區數取模。如果結果小于0，直接加上分區數。 
  def getPartition(key: Any): Int = key match { 
    case null => 0 
    case _ => Utils.nonNegativeMod(key.hashCode, numPartitions) 
  } 
 
  // 對比兩個分區器是否相同，直接對比其分區個數就行 
  override def equals(other: Any): Boolean = other match { 
    case h: HashPartitioner => 
      h.numPartitions == numPartitions 
    case _ => 
      false 
  } 
 
  override def hashCode: Int = numPartitions 
} 

這里最重要的是這個Utils.nonNegativeMod(key.hashCode, numPartitions),它決定了數據進入到哪個分區。

def nonNegativeMod(x: Int, mod: Int): Int = { 
    val rawMod = x % mod 
    rawMod + (if (rawMod < 0) mod else 0) 
  } 

說白了，就是基于這個key獲取它的hashCode，然后對分區個數取模。由于HashCode可能為負，這里直接判斷下，如果小于0，再加上分區個數即可。

因此，基于hash的分區，只要保證你的key是分散的，那么最終數據就不會出現數據傾斜的情況。

RangePartitioner

這個分區器，適合想要把數據打散的場景，但是如果相同的key重復量很大，依然會出現數據傾斜的情況。

每個分區器，最核心的方法，就是getPartition

def getPartition(key: Any): Int = { 
    val k = key.asInstanceOf[K] 
    var partition = 0 
    if (rangeBounds.length <= 128) { 
      // If we have less than 128 partitions naive search 
      while (partition < rangeBounds.length && ordering.gt(k, rangeBounds(partition))) { 
        partition += 1 
      } 
    } else { 
      // Determine which binary search method to use only once. 
      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 
      } 
    } 
    if (ascending) { 
      partition 
    } else { 
      rangeBounds.length - partition 
    } 
  } 

在range分區中，會存儲一個邊界的數組，比如[1,100,200,300,400]，然后對比傳進來的key，返回對應的分區id。

那么這個邊界是怎么確定的呢?

這就是Range分區最核心的算法了，大概描述下，就是遍歷每個paritiion，對里面的數據進行抽樣，把抽樣的數據進行排序，并按照對應的權重確定邊界。

有幾個比較重要的地方：

1 抽樣

2 確定邊界

關于抽樣，有一個很常見的算法題，即在不知道數據規模的情況下，如何以等概率的方式，隨機選擇一個值。

最笨的辦法，就是遍歷一次數據，知道數據的規模，然后隨機一個數，取其對應的值。其實這樣相當于遍歷了兩次(第二次的取值根據不同的存儲介質，可能不同)。

在Spark中，是使用水塘抽樣這種算法。即首先取***個值，然后依次往后遍歷;第二個值有二分之一的幾率替換選出來的值;第三個值有三分之一的幾率替換選出來的值;…;直到遍歷到***一個值。這樣，通過依次遍歷就取出來隨機的數值了。

算法參考源碼：

private var rangeBounds: Array[K] = { 
    if (partitions <= 1) { 
      Array.empty 
    } else { 
      // This is the sample size we need to have roughly balanced output partitions, capped at 1M. 
      // ***采樣數量不能超過1M。比如，如果分區是5，采樣數為100 
      val sampleSize = math.min(20.0 * partitions, 1e6) 
      // Assume the input partitions are roughly balanced and over-sample a little bit. 
      // 每個分區的采樣數為平均值的三倍，避免數據傾斜造成的數據量過少 
      val sampleSizePerPartition = math.ceil(3.0 * sampleSize / rdd.partitions.size).toInt 
 
      // 真正的采樣算法(參數1:rdd的key數組， 采樣個數) 
      val (numItems, sketched) = RangePartitioner.sketch(rdd.map(_._1), sampleSizePerPartition) 
      if (numItems == 0L) { 
        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. 
        // 如果有的分區包含的數量遠超過平均值，那么需要對它重新采樣。每個分區的采樣數/采樣返回的總的記錄數 
        val fraction = math.min(sampleSize / math.max(numItems, 1L), 1.0) 
        //保存有效的采樣數 
        val candidates = ArrayBuffer.empty[(K, Float)] 
        //保存數據傾斜導致的采樣數過多的信息 
        val imbalancedPartitions = mutable.Set.empty[Int] 
 
        sketched.foreach { case (idx, n, sample) => 
          if (fraction * n > sampleSizePerPartition) { 
            imbalancedPartitions += idx 
          } else { 
            // The weight is 1 over the sampling probability. 
            val weight = (n.toDouble / sample.size).toFloat 
            for (key <- sample) { 
              candidates += ((key, weight)) 
            } 
          } 
        } 
        if (imbalancedPartitions.nonEmpty) { 
          // Re-sample imbalanced partitions with the desired sampling probability. 
          val imbalanced = new PartitionPruningRDD(rdd.map(_._1), imbalancedPartitions.contains) 
          val seed = byteswap32(-rdd.id - 1) 
          //基于RDD獲取采樣數據 
          val reSampled = imbalanced.sample(withReplacement = false, fraction, seed).collect() 
          val weight = (1.0 / fraction).toFloat 
          candidates ++= reSampled.map(x => (x, weight)) 
        } 
        RangePartitioner.determineBounds(candidates, partitions) 
      } 
    } 
  } 
   
  def sketch[K : ClassTag]( 
      rdd: RDD[K], 
      sampleSizePerPartition: Int): (Long, Array[(Int, Long, Array[K])]) = { 
    val shift = rdd.id 
    // val classTagK = classTag[K] // to avoid serializing the entire partitioner object 
    val sketched = rdd.mapPartitionsWithIndex { (idx, iter) => 
      val seed = byteswap32(idx ^ (shift << 16)) 
      val (sample, n) = SamplingUtils.reservoirSampleAndCount( 
        iter, sampleSizePerPartition, seed) 
      //包裝成三元組，（索引號，分區的內容個數，抽樣的內容） 
      Iterator((idx, n, sample)) 
    }.collect() 
    val numItems = sketched.map(_._2).sum 
    //返回（數據條數，（索引號，分區的內容個數，抽樣的內容）） 
    (numItems, sketched) 
  } 
   

真正的抽樣算法在SamplingUtils中,由于在Spark中是需要一次性取多個值的，因此直接去前n個數值，然后依次概率替換即可：

def reservoirSampleAndCount[T: ClassTag]( 
      input: Iterator[T], 
      k: Int, 
      seed: Long = Random.nextLong()) 
    : (Array[T], Long) = { 
    //創建臨時數組 
    val reservoir = new Array[T](k) 
    // Put the first k elements in the reservoir. 
    // 取出前k個數，并把對應的rdd中的數據放入對應的序號的數組中 
    var i = 0 
    while (i < k && input.hasNext) { 
      val item = input.next() 
      reservoir(i) = item 
      i += 1 
    } 
 
    // If we have consumed all the elements, return them. Otherwise do the replacement. 
    // 如果全部的元素，比要抽取的采樣數少，那么直接返回 
    if (i < k) { 
      // If input size < k, trim the array to return only an array of input size. 
      val trimReservoir = new Array[T](i) 
      System.arraycopy(reservoir, 0, trimReservoir, 0, i) 
      (trimReservoir, i) 
 
    // 否則開始抽樣替換 
    } else { 
      // If input size > k, continue the sampling process. 
      // 從剛才的序號開始，繼續遍歷 
      var l = i.toLong 
      // 隨機數 
      val rand = new XORShiftRandom(seed) 
      while (input.hasNext) { 
        val item = input.next() 
        // 隨機一個數與當前的l相乘，如果小于采樣數k，就替換。（越到后面，替換的概率越小...） 
        val replacementIndex = (rand.nextDouble() * l).toLong 
        if (replacementIndex < k) { 
          reservoir(replacementIndex.toInt) = item 
        } 
        l += 1 
      } 
      (reservoir, l) 
    } 
  } 

確定邊界

***就可以通過獲取的樣本數據，確定邊界了。

def determineBounds[K : Ordering : ClassTag]( 
      candidates: ArrayBuffer[(K, Float)], 
      partitions: Int): Array[K] = { 
    val ordering = implicitly[Ordering[K]] 
    // 數據格式為（key，權重） 
    val ordered = candidates.sortBy(_._1) 
    val numCandidates = ordered.size 
    val sumWeights = ordered.map(_._2.toDouble).sum 
    val step = sumWeights / partitions 
    var cumWeight = 0.0 
    var target = step 
    val bounds = ArrayBuffer.empty[K] 
    var i = 0 
    var j = 0 
    var previousBound = Option.empty[K] 
    while ((i < numCandidates) && (j < partitions - 1)) { 
      val (key, weight) = ordered(i) 
      cumWeight += weight 
      if (cumWeight >= target) { 
        // Skip duplicate values. 
        if (previousBound.isEmpty || ordering.gt(key, previousBound.get)) { 
          bounds += key 
          target += step 
          j += 1 
          previousBound = Some(key) 
        } 
      } 
      i += 1 
    } 
    bounds.toArray 
  } 

直接看代碼，還是有些晦澀難懂，我們舉個例子，一步一步解釋下：

按照上面的算法流程，大致可以理解：

抽樣-->確定邊界(排序) 

首先對spark有一定了解的都應該知道，在spark中每個RDD可以理解為一組分區，這些分區對應了內存塊block,他們才是數據最終的載體。那么一個RDD由不同的分區組成，這樣在處理一些map,filter等算子的時候，就可以直接以分區為單位并行計算了。直到遇到shuffle的時候才需要和其他的RDD配合。

在上面的圖中，如果我們不特殊設置的話，一個RDD由3個分區組成，那么在對它進行groupbykey的時候，就會按照3進行分區。

按照上面的算法流程，如果分區數為3，那么采樣的大小為：

val sampleSize = math.min(20.0 * partitions, 1e6) 

即采樣數為60，每個分區取60個數。但是考慮到數據傾斜的情況，有的分區可能數據很多，因此在實際的采樣時，會按照3倍大小采樣：

val sampleSizePerPartition = math.ceil(3.0 * sampleSize / rdd.partitions.size).toInt 

也就是說，最多會取60個樣本數據。

然后就是遍歷每個分區，取對應的樣本數。

val sketched = rdd.mapPartitionsWithIndex { (idx, iter) => 
      val seed = byteswap32(idx ^ (shift << 16)) 
      val (sample, n) = SamplingUtils.reservoirSampleAndCount( 
        iter, sampleSizePerPartition, seed) 
      //包裝成三元組，（索引號，分區的內容個數，抽樣的內容） 
      Iterator((idx, n, sample)) 
    }.collect() 

然后檢查，是否有分區的樣本數過多，如果多于平均值，則繼續采樣，這時直接用sample 就可以了

sketched.foreach { case (idx, n, sample) => 
          if (fraction * n > sampleSizePerPartition) { 
            imbalancedPartitions += idx 
          } else { 
            // The weight is 1 over the sampling probability. 
            val weight = (n.toDouble / sample.size).toFloat 
            for (key <- sample) { 
              candidates += ((key, weight)) 
            } 
          } 
        } 
        if (imbalancedPartitions.nonEmpty) { 
          // Re-sample imbalanced partitions with the desired sampling probability. 
          val imbalanced = new PartitionPruningRDD(rdd.map(_._1), imbalancedPartitions.contains) 
          val seed = byteswap32(-rdd.id - 1) 
          //基于RDD獲取采樣數據 
          val reSampled = imbalanced.sample(withReplacement = false, fraction, seed).collect() 
          val weight = (1.0 / fraction).toFloat 
          candidates ++= reSampled.map(x => (x, weight)) 
        } 

取出樣本后，就到了確定邊界的時候了。

注意每個key都會有一個權重，這個權重是 【分區的數據總數/樣本數】

RangePartitioner.determineBounds(candidates, partitions) 

首先排序val ordered = candidates.sortBy(_._1)，然后確定一個權重的步長

val sumWeights = ordered.map(_._2.toDouble).sum 
val step = sumWeights / partitions 

基于該步長，確定邊界，***就形成了幾個范圍數據。

然后分區器形成二叉樹，遍歷該數確定每個key對應的分區id

partition = binarySearch(rangeBounds, k) 

實踐 —— 自定義分區器

自定義分區器，也是很簡單的，只需要實現對應的兩個方法就行：

public class MyPartioner extends Partitioner { 
    @Override 
    public int numPartitions() { 
        return 1000; 
    } 
 
    @Override 
    public int getPartition(Object key) { 
        String k = (String) key; 
        int code = k.hashCode() % 1000; 
        System.out.println(k+":"+code); 
        return  code < 0?code+1000:code; 
    } 
 
    @Override 
    public boolean equals(Object obj) { 
        if(obj instanceof MyPartioner){ 
            if(this.numPartitions()==((MyPartioner) obj).numPartitions()){ 
                return true; 
            } 
            return false; 
        } 
        return super.equals(obj); 
    } 
} 

使用的時候，可以直接new一個對象即可。

pairRdd.groupbykey(new MyPartitioner()) 

這樣自定義分區器就完成了。