這篇文章算是個(gè)科普貼。如果已經(jīng)熟悉Spark的就略過(guò)吧。
前言
很多初學(xué)者其實(shí)對(duì)Spark的編程模式還是RDD這個(gè)概念理解不到位，就會(huì)產(chǎn)生一些誤解。
比如，很多時(shí)候我們常常以為一個(gè)文件是會(huì)被完整讀入到內(nèi)存，然后做各種變換，這很可能是受兩個(gè)概念的誤導(dǎo)：
- RDD的定義，RDD是一個(gè)分布式的不可變數(shù)據(jù)集合
- Spark 是一個(gè)內(nèi)存處理引擎
如果你沒(méi)有主動(dòng)對(duì)RDDCache/Persist,它不過(guò)是一個(gè)概念上存在的虛擬數(shù)據(jù)集，你實(shí)際上是看不到這個(gè)RDD的數(shù)據(jù)的全集的(他不會(huì)真的都放到內(nèi)存里)。
RDD的本質(zhì)是什么
一個(gè)RDD 本質(zhì)上是一個(gè)函數(shù)，而RDD的變換不過(guò)是函數(shù)的嵌套。RDD我認(rèn)為有兩類(lèi)：
- 輸入RDD,典型如KafkaRDD,JdbcRDD
- 轉(zhuǎn)換RDD，如MapPartitionsRDD
我們以下面的代碼為例做分析：
sc.textFile("abc.log").map().saveAsTextFile("")
- textFile 會(huì)構(gòu)建出一個(gè)NewHadoopRDD,
- map函數(shù)運(yùn)行后會(huì)構(gòu)建出一個(gè)MapPartitionsRDD
- saveAsTextFile觸發(fā)了實(shí)際流程代碼的執(zhí)行
所以RDD不過(guò)是對(duì)一個(gè)函數(shù)的封裝，當(dāng)一個(gè)函數(shù)對(duì)數(shù)據(jù)處理完成后，我們就得到一個(gè)RDD的數(shù)據(jù)集(是一個(gè)虛擬的，后續(xù)會(huì)解釋)。
NewHadoopRDD是數(shù)據(jù)來(lái)源，每個(gè)parition負(fù)責(zé)獲取數(shù)據(jù)，獲得過(guò)程是通過(guò)iterator.next 獲得一條一條記錄的。假設(shè)某個(gè)時(shí)刻拿到了一條數(shù)據(jù)A,這個(gè)A會(huì)立刻被map里的函數(shù)處理得到B（完成了轉(zhuǎn)換）,然后開(kāi)始寫(xiě)入到HDFS上。其他數(shù)據(jù)重復(fù)如此。所以整個(gè)過(guò)程：
- 理論上某個(gè)MapPartitionsRDD里實(shí)際在內(nèi)存里的數(shù)據(jù)等于其Partition的數(shù)目，是個(gè)非常小的數(shù)值。
- NewHadoopRDD則會(huì)略多些，因?yàn)閷儆跀?shù)據(jù)源，讀取文件，假設(shè)讀取文件的buffer是1M，那么最多也就是partitionNum*1M 數(shù)據(jù)在內(nèi)存里
- saveAsTextFile也是一樣的，往HDFS寫(xiě)文件，需要buffer，最多數(shù)據(jù)量為 buffer* partitionNum
所以整個(gè)過(guò)程其實(shí)是流式的過(guò)程，一條數(shù)據(jù)被各個(gè)RDD所包裹的函數(shù)處理。
剛才我反復(fù)提到了嵌套函數(shù)，怎么知道它是嵌套的呢？
如果你寫(xiě)了這樣一個(gè)代碼：
sc.textFile("abc.log").map().map().........map().saveAsTextFile("")
有成千上萬(wàn)個(gè)map,很可能就堆棧溢出了。為啥?實(shí)際上是函數(shù)嵌套太深了。
按上面的邏輯，內(nèi)存使用其實(shí)是非常小的，10G內(nèi)存跑100T數(shù)據(jù)也不是難事。但是為什么Spark常常因?yàn)閮?nèi)存問(wèn)題掛掉呢？ 我們接著往下看。
Shuffle的本質(zhì)是什么？
這就是為什么要分Stage了。每個(gè)Stage其實(shí)就是我上面說(shuō)的那樣，一套數(shù)據(jù)被N個(gè)嵌套的函數(shù)處理(也就是你的transform動(dòng)作)。遇到了Shuffle,就被切開(kāi)來(lái)，所謂的Shuffle，本質(zhì)上是把數(shù)據(jù)按規(guī)則臨時(shí)都落到磁盤(pán)上，相當(dāng)于完成了一個(gè)saveAsTextFile的動(dòng)作，不過(guò)是存本地磁盤(pán)。然后被切開(kāi)的下一個(gè)Stage則以本地磁盤(pán)的這些數(shù)據(jù)作為數(shù)據(jù)源，重新走上面描述的流程。
我們?cè)僮鲆淮蚊枋觯?/p>
所謂Shuffle不過(guò)是把處理流程切分，給切分的上一段(我們稱(chēng)為Stage M)加個(gè)存儲(chǔ)到磁盤(pán)的Action動(dòng)作，把切分的下一段(Stage M+1)數(shù)據(jù)源變成Stage M存儲(chǔ)的磁盤(pán)文件。每個(gè)Stage都可以走我上面的描述，讓每條數(shù)據(jù)都可以被N個(gè)嵌套的函數(shù)處理，最后通過(guò)用戶(hù)指定的動(dòng)作進(jìn)行存儲(chǔ)。
為什么Shuffle 容易導(dǎo)致Spark掛掉
前面我們提到，Shuffle不過(guò)是偷偷的幫你加上了個(gè)類(lèi)似saveAsLocalDiskFile的動(dòng)作。然而，寫(xiě)磁盤(pán)是一個(gè)高昂的動(dòng)作。所以我們盡可能的把數(shù)據(jù)先放到內(nèi)存，再批量寫(xiě)到文件里，還有讀磁盤(pán)文件也是給費(fèi)內(nèi)存的動(dòng)作。把數(shù)據(jù)放內(nèi)存，就遇到個(gè)問(wèn)題，比如10000條數(shù)據(jù)，到底會(huì)占用多少內(nèi)存？這個(gè)其實(shí)很難預(yù)估的。所以一不小心，就容易導(dǎo)致內(nèi)存溢出了。這其實(shí)也是一個(gè)很無(wú)奈的事情。
我們做Cache/Persist意味著什么？
其實(shí)就是給某個(gè)Stage加上了一個(gè)saveAsMemoryBlockFile的動(dòng)作，然后下次再要數(shù)據(jù)的時(shí)候，就不用算了。這些存在內(nèi)存的數(shù)據(jù)就表示了某個(gè)RDD處理后的結(jié)果。這個(gè)才是說(shuō)為啥Spark是內(nèi)存計(jì)算引擎的地方。在MR里，你是要放到HDFS里的，但Spark允許你把中間結(jié)果放內(nèi)存里。
總結(jié)
我們從一個(gè)較新的角度解釋了RDD 和Shuffle 都是一個(gè)什么樣的東西。
