Spark调研笔记第6篇 - Spark编程实战FAQ

本文主要记录我使用Spark以来遇到的一些典型问题及其解决的方法，希望对遇到相同问题的同学们有所帮助。

1. Spark环境或配置相关

Q: Sparkclient配置文件spark-defaults.conf中，spark.executor.memory和spark.cores.max应该怎样合理配置？

A: 配置前，须要对spark集群中每一个节点机器的core和memory的配置有基本了解。比方由100台机器搭建的spark集群中。每一个节点的配置是core=32且memory=128GB，那么，向该集群提交应用时，应注意cores.max和executor.memory配置的”和谐”。详细而言，须要先预估应用涉及到的数据量和计算量。然后最大限度压榨单机core和memory，尽量避免core和memory配置比例失衡的情况。

举个样例，若某个应用配置了cores.max=1000且executor.memory=512m。则这个配置比例明显不合理，由于每一个节点仅仅有32个cores，1000个cores须要占用集群32台机器，而每一个executor（即集群中的每一个节点）仅仅申请512MB内存，也即该应用占用的32台机器的所有cores。但仅仅占用0.5G*32=16GB内存，这意味着剩余的(128G-0.5G)*32=4080GB内存被浪费了。

总之。合理的配置应该是在保证cores和memory都尽可能少的情况下。使得spark计算速度能满足业务需求。实际配置时，可将memory配置为机器最大阈值，cores的数目按实际计算量合理设定。尽量降低任务占用的节点数。



Q: 关于数据源与spark集群的问题，考虑这样的场景对spark性能的影响：数据源在位于南方的hdfs集群上，而spark集群位于北方机房。

A: 数据源集群与spark计算集群物理距离较远的情况下，spark读入数据时会由非常大网络开销，对作业执行速度影响非常明显。因此，搭建集群时，要尽量让spark集群靠近数据源。

Q: 提交任务后。执行报错"spark java.lang.OutOfMemoryError: Java heap space"，怎样处理？

A: 这个错误的引发原因较多，比方代码中global变量太大（如载入了大字典）或rdd.collect()太大。Spark的调度逻辑对transformations operations是lazy evaluation策略，即仅仅有遇到action operations时才会计算整个job
chain上涉及到的transformations和action，而actions的输出假设不是写磁盘，就会输出到driver program，典型如sparkclient所在机器的终端。driver 的jvm默认heap space是数百MB，无法hold住由action返回的大数据集时。就会报OOM。

解决思路有2个：一个思路是改动代码逻辑。比方将超大变量拆分成多个变量后多步运行（如将大dict或set拆分成N个小的，每步运行完后，销毁当前的变量并构造新变量）。这个思路是典型的时间换空间。只是有时候业务逻辑不一定能做这样的拆分处理；还有一个思路是提交spark应用前。合理配置相关參数，如在spark-defaults.conf中添加配置项spark.driver.memory
12G。详细配置思路能够參考StackOverflow的这篇帖子。



Q: 提交任务时sparkclient报错"No space left on device"，例如以下图所看到的，怎样解决？

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc2x2aGVy/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="" style="font-size:14px">

A: 这是因为任务执行过程中。Sparkclient可能会在本机写暂时文件，默认情况下。它会写到/tmp文件夹，非常easy写满/tmp。从而导致报错。

解决方法是在Sparkclientspark-defaults.conf中明白指定暂时文件的写入路径：

spark.local.dir /home/slvher/tools/spark-scratch



Q: Sparkclient提交任务后。spark job的日志默认是输出到console的。与用户print的调试日志混到一起，不方便调试。怎样配置使spark的内部日志单独打印到文件？

A: Spark借助log4j打印日志。而log4j的打印行为能够通过在conf文件夹创建log4j.properties并进行配置来控制（建议拷贝conf/log4j.properties.template为log4j.properties来配置log4j的打印行为），详细配置方法能够參考log4j的官网文档，这里不赘述。

2. Spark应用编程相关

Q: 考虑这样的场景：待提交的Application包括多个python files，当中一个是main入口。其他都是自己定义的module files且它们之间有依赖关系，通过spark-submit（已用--py-files參数指定要上传的文件）提交任务时。报错"ImportError: No module named xxx"，怎样解决？

A: 通过--py-files參数上传的.py文件仅仅是上传而已，默认不会在集群节点python环境中将在这些文件里定义的module(s)增加解释器的search path。Spark文档Submiiting
Applications事实上对这样的场景下提交任务的方式做了说明：

For Python, you can use the --py-files argument of spark-submit to add .py, .zip or .egg files to be distributed with your application. If you depend on multiple Python files we recommend packaging them into a .zip or .egg.

所以，正确的提交方法是，将除main入口以外的.py文件做成package（将这些文件放到某个文件夹下，并在该文件夹创建名为__init__.py的空文件）并打包成zip archives，然后通过--py-files上传这个zip包。

由于python解释器默认能够处理zip archives的import场景，且由于上传的zip是个包括__init__.py的package。故集群节点机器上的python解释器会自己主动把它们增加对module的搜索路径中，这样就攻克了Import
Error的问题。

Q: 怎样查看函数中通过print打印的调试信息？

A: Spark应用在传给spark operations api的函数中print的调试信息在本地driver program端是看不到的，由于这些函数是在集群节点上运行的。故这些print信息被打印到了为作业分配的节点机器上，须要从spartk master的http查看接口找到提交的应用，然后去应用运行节点的stderr中看看。



Q: PySpark的API中。map和flatMap有何差别？

A: 从函数行为来看。它们都是接受一个自己定义函数f，然后对RDD中的每一个元素调用这个函数。关键差别在于自己定义函数f的类型：map接受的函数返回一个普通value；而flatMap接受的函数必须返回一个iterable value，即返回值必须可用于迭代，然后flatMap会对这个iterable value做flat操作（迭代这个value并flat成list）。能够借助以下的demo来理解。



在spark集群上的运行结果例如以下：



以下对输出的每行结果稍做解释：

a. 代码第18行，rdd.flatMap接受的函数參数是test_flatmap_v1，而后者返回值是一个可迭代的generator object。故flatMap对返回值做flat操作后。generator object的每一个element作为终于flattened结果的element。

b. 代码第19行，rdd.flatMap接受的函数參数是test_flatmap_v2，而后者返回值一个set。因为这个set本身是iterable的，故flatMap对set做flat操作后，set中的每一个element做完终于flattened结果的element。

特别注意：若return的value不支持iterate（如int型），则flatMap会不错。

感兴趣的话。能够亲自试验下。

c. 代码第20行，因为map不要求其函数參数的返回值是否iterable，也不会对iterable的value做flat操作。它仅仅是将return value本身作为终于结果的一个element，因此它的输出结果也就非常easy理解了。

Q: 对rdd运行cache有何注意事项？

A: 关于rdd persist对性能优化的原理。能够查看这里Persisting RDD in Spark。但并非全部的persist/cache操作都与spark性能正相关。在persist前，最好遵循以下的原则：

a) rdd会被多次使用时再考虑cache

b) rdd需cache时。尽量对"靠近"算法的rdd做cache，而不要cache读入的raw数据

c) cache的rdd不再使用时。尽快调用unpersist释放其占用的集群资源（主要是memory） 



Q: 怎样在传给spark transformations操作的函数中訪问共享变量？

A: 依据官网Programming Guide文档说明（參见这里），当作为參数传给spark操作（如map或reduce）的函数在远程机器的节点上运行时，函数中使用到的每一个变量的副本（separate
copies）也会被复制到这些节点上以便函数訪问。假设这些变量在节点上被改动，那这些改动不会被反传回spark driver program，即在实现业务代码时。应由实现者保证这些变量的仅仅读特性。由于在不同任务间维护通用的、支持读/写的共享变量会减少spark效率。

举个样例，以下的代码说明了怎样在传给spark操作的函数中借助全局变量实现共享訪问：





Q: 除通过global variable共享变量外。spark还支持什么方式共享变量？

A: Spark还支持broadcast变量和accumulators这两种共享变量的方式。当中。broadcast同意开发人员在spark集群的每一个节点上保持变量的一份仅仅读cache，本质上，broadcast变量也是global变量，仅仅只是它是由开发人员显式分发到集群节点上的，而非spark依据每一个task调用的函数对变量的訪问情况自己主动拷贝。至于accumulators。顾名思义，它仅仅支持add操作，详细语法可參考spark
programming guide关于accumulators部分的说明。



Q: broadcast变量与普通global变量有何关系？各自的适用场合？

A: 实际上。broadcast变量是一种global变量，它们均能够实如今分布式节点中运行函数时共享变量。当中，普通global变量是随着spark对task的调度依据实际情况由spark调度器负责拷贝至集群节点的，这意味着若有需訪问某global变量的多个task运行时，每一个task的运行均有变量拷贝过程。而broadcast变量则是由开发人员主动拷贝至集群节点且会一直cache直至用户主动调用unpersist或整个spark作业结束。

PS: 实际上。即使调用unpersist也不会马上释放资源。它仅仅是告诉spark调度器资源能够释放。至于何时真正释放由spark调度器决定。參见SPARK-4030。

结论：若共享变量仅仅会被某个task使用1次，则使用普通global变量共享方式就可以。若共享变量会被先后运行的多个tasks訪问，则broadcast方式会节省拷贝开销。

再次提醒：若使用了broadcast方式共享变量，则开发人员应在确定该变量不再须要共享时主动调用unpersist来释放集群资源。

3. 其他注意事项

Q: 还有其它注意事项吗？

A: 上面提到的仅仅是最常见的问题。实际编写复杂Spark应用时，怎样高效利用spark集群的其他注意事项。强烈推荐參考Notes on Writing Complex Spark
Applications这篇文章（Google Docs需FQ訪问）。

【參考资料】

1. StackOverflow: spark java.lang.OutOfMemoryError: Java heap space

2. Spark Doc: Submitting Applications

3. Spark Programming Guide: Shared Variables

4. Spark Issues: [SPARK-4030] "destroy" method in Broadcast should be public

5. [GoogleDoc] Notes on Writing Complex Spark Applications

========================= EOF =======================