SparkSQL 在有贊的實踐

收藏待读

SparkSQL 在有贊的實踐

文 | 鄒晨俊 on 大數據

前言

有贊數據平台從 2017 年上半年開始,逐步使用 SparkSQL 替代 Hive 執行離線任務,目前 SparkSQL 每天的運行作業數量5000個,占離線作業數目的55%,消耗的 cpu 資源占集群總資源的50%左右。本文介紹由 SparkSQL 替換 Hive 過程中碰到的問題以及處理經驗和優化建議,包括以下方面的內容:

  • 有贊數據平台的整體架構。

  • SparkSQL 在有贊的技術演進。

  • 從 Hive 到 SparkSQL 的遷移之路。

一、有贊數據平台介紹

首先介紹一下有贊大數據平台總體架構:

如下圖所示,底層是數據導入部分,其中 DataY 區別於開源屆的全量導入導出工具 alibaba/DataX,是有贊內部研發的離線 Mysql 增量導入 Hive 的工具,把 Hive 中歷史數據和當天增量部分做合併。DataX / DataY 負責將 Mysql 中的數據同步到數倉當中,Flume 作為日誌數據的主要通道,同時也是 Mysql binlog 同步到 HDFS 的管道,供 DataY 做增量合併使用。

第二層是大數據的計算框架,主要分成兩部分:分佈式存儲計算和實時計算,實時框架目前主要支持 JStorm,Spark Streaming 和 Flink,其中 Flink 是今年開始支持的;而分佈式存儲和計算框架這邊,底層是 Hadoop 和 Hbase,ETL主要使用 Hive 和 Spark,交互查詢則會使用 Spark,Presto,實時 OLAP 系統今年引入了 Druid,提供日誌的聚合查詢能力。

第三層是數據平台部分,數據平台是直接面對數據開發者的,包括幾部分的功能,數據開發平台,包括日常使用的調度,數據傳輸,數據質量系統;數據查詢平台,包括ad-hoc查詢以及元數據查詢。有關有贊數據平台的詳細介紹可以參考往期有贊數據平台的 博客內容 (https://tech.youzan.com/data_platform/)

SparkSQL 在有贊的實踐

二、SparkSQL 技術演進

從 2017 年二季度,有贊數據組的同學們開始了 SparkSQL 方面的嘗試,主要的出發點是當時集群資源是瓶頸,Hive 跑任務已經逐漸開始乏力,有些複雜的 SQL,通過 SQL 的邏輯優化達到極限,仍然需要幾個小時的時間。業務數據量正在不斷增大,這些任務會影響業務對外服務的承諾。同時,隨着 Spark 以及其社區的不斷發展,Spark 及 Spark SQL 本身技術的不斷成熟,Spark 在技術架構和性能上都展示出 Hive 無法比擬的優勢。

從開始上線提供離線任務服務,再到 Hive 任務逐漸往 SparkSQL 遷移,踩過不少坑,也填了不少坑,這裡主要分兩個方面介紹,一方面是我們對 SparkSQL 可用性方面的改造以及優化,另一方面是 Hive 遷移時遇到的種種問題以及對策。

2.1 可用性改造

可用性問題包括兩方面,一個是系統的穩定性,監控/審計/權限等,另一個是用戶使用的體驗,用戶以前習慣用 Hive,如果 SparkSQL 的日誌或者 Spark thrift server 的 UI 不能夠幫助用戶定位問題,解決問題,那也會影響用戶的使用或者遷移意願。所以我首先談一下用戶交互的問題。

2.1.1 用戶體驗

我們碰到的第一個問題是用戶向我們抱怨通過 JDBC 的方式和 Spark thrift server(STS) 交互,執行一個 SQL 時,沒有執行的進度信息,需要一直等待執行成功,或者任務出錯時接收任務報錯郵件得知執行完。於是執行進度讓用戶可感知是一個必要的功能。我們做了 Spark 的改造,增加運行時的 operation 日誌,並且向社區提交了 patch(spark-22496), 而在我們內部,更增加了執行進度日誌,每隔2秒打印出當前執行的 job/stage 的進度,如下圖所示。

SparkSQL 在有贊的實踐

2.1.2 監控

SparkSQL 需要收集 STS 上執行的 SQL 的審計信息,包括提交者執行的具體 SQL,開始結束時間,執行完成狀態。原生 STS 會把這些信息通過事件的方式 post 到事件總線,監聽者角色 (HiveThriftServer2Listener) 在事件總線上註冊,訂閱消費事件,但是這個監聽者只負責 Spark UI 的 JDBC Tab 上的展示,我們改造了 SparkListener 類,將 session 以及執行的 sql statement 級別的消息也放到了總線上,監聽者可以在總線上註冊,以便消費這些審計信息,並且增加了一些我們感興趣的維度,如使用的 cpu 資源,歸屬的工作流(airflowId)。同時,我們增加了一種新的完成狀態 cancelled,以方便區分是用戶主動取消的任務。

SparkSQL 在有贊的實踐

2.1.3 Thrift Server HA

相比於 HiveServer,STS 是比較脆弱的,一是由於 Spark 的 driver 是比較重的,所有的作業都會通過 driver 編譯 sql,調度 job/task 執行,分發 broadcast 變量,二是對於每個 SQL,相比於 HiveServer 會新起一個進程去處理這個 SQL 的執行,STS 只有一個進程去處理,如果某個 SQL 有異常,查詢了過多的數據量, STS 有 OOM 退出的風險,那麼生產環境維持 STS 的穩定性就顯得無比重要。

除了必要的存活報警,首先我們區分了 ad-hoc 查詢和離線調度的 STS 服務,因為離線調度的任務往往計算結束時是把結果寫入 table 的,而 ad-hoc 大部分是直接把結果匯總在 driver,對 driver 的壓力比較大;此外,我們增加了基於 ZK 的高可用。對於一種類型的 STS(事實上,有贊的 STS 分為多組,如 ad-hoc,大內存配置組)在 ZK 上註冊一個節點,JDBC 的連接直接訪問 ZK 獲取隨機可用的 STS 地址。這樣,偶然的 OOM ,或者 bug 被觸發導致 STS 不可用,也不會嚴重到影響調度任務完全不可用,給開發運維人員比較充足的時間定位問題。

2.1.4 權限控制

之後有另一個文章詳細介紹我們對於安全和權限的建設之路,這裡簡單介紹一下,Hive 的權限控制主要包括以下幾種:

  • SQL Standards Based Hive Authorization

  • Storage Based Authorization in the Metastore

  • ServerAuthorization using Apache Ranger & Sentry

調研對比各種實現方案之後,由於我們是從無到有的增加了權限控制,沒有歷史負擔。我們直接選擇了ranger + 組件 plugin 的權限管理方案。

除了以上提到的幾個點,我們還從社區 backport 了數十個 patch 以解決影響可用性的問題,如不識別 hiveconf/hivevar (SPARK-13983),最後一行被截斷(HIVE-10541) 等等。

2.2 性能優化

之前談到,STS 只有一個進程去處理所有提交 SQL 的編譯,所有的 SQL Job 共享一個 Hive 實例,更糟糕的是這個 Hive 實例還有處理 loadTable/loadPartition 這樣的 IO 操作,會阻塞其他任務的編譯,存在單點問題。我們之前測試一個上萬 partition 的 Hive 表在執行 loadTable 操作時,會阻塞其他任務提交,時間長達小時級別。對於 loadTable 這樣的IO操作,要麼不加鎖,要麼減少加鎖的時間。我們選擇的是後者,首先採用的是社區 SPARK-20187 的做法,將 loadTable 實現由 copyFile 的方式改為 moveFile,見下圖:

SparkSQL 在有贊的實踐

之後變更了配置 spark.sql.hive.metastore.jars=maven,運行時通過 Maven 的方式加載 jar 包,解決包依賴關係,使得加載的 Hive 類是2.1.1的版本,和我們 Hive 版本一致,這樣得好處是很多行為都會和 Hive 的相一致,方便排查問題;比如刪除文件到 Trash,之前 SparkSQL 刪除表或者分區後是不會落到 Trash 的。

2.3 小文件問題

我們在使用 SparkSQL 過程中,發現小文件的問題比較嚴重,SparkSQL 在寫數據時會產生很多小文件,會對 namenode 產生很大的壓力,進而帶來整個系統穩定性的隱患,最近三個月文件個數幾乎翻了個倍。對於小文件問題,我們採用了社區 SPARK-24940 的方式處理,藉助 SQL hint 的方式合併小文件。同時,我們有一個專門做 merge 的任務,定時異步的對天級別的分區掃描並做小文件合併。

還有一點是spark.hadoop.mapreduce.fileoutputcommitter.algorithm.version=2, MapReduce-4815 詳細介紹了 fileoutputcommitter 的原理,實踐中設置了 version=2 的比默認 version=1 的減少了70%以上的 commit 時間。

三、SparkSQL 遷移之路

解決了大部分的可用性問題以後,我們逐步開始了 SparkSQL 的推廣,引導用戶選擇 SparkSQL 引擎,絕大部分的任務的性能能得到較大的提升。於是我們進一步開始將原來 Hive 執行的任務向 SparkSQL 轉移。

在 SparkSQL 遷移之初,我們選擇的路線是遵循二八法則,從優化耗費資源最多的頭部任務開始,把Top100的任務從 Hive 往 SparkSQL 遷移,逐步積累典型錯誤,包括 SparkSQL 和Hive的不一致行為,比較典型的問題由ORC格式文件為空,Spark會拋空指針異常而失敗,ORC 格式和 metastore 類型不一致,SparkSQL 也會報錯失敗。經過一波人工推廣之後,頭部任務節省的資源相當客觀,在2017年底,切換到 SparkSQL 的任務數佔比5%,占的資源20%,資源使用僅占 Hive 運行的10%-30%。

在 case by case 處理了一段時間以後,我們發現這種方式不太能夠擴展了。首先和作業的 owner 協商修改需要溝通成本,而且小作業的改動收益不是那麼大,作業的 owner 做這樣的改動對他來說收益比較小,反而有一定概率的風險。所以到這個階段 SparkSQL 的遷移之路進展比較緩慢。

於是我們開始構思自動化遷移方式,構思了一種執行引擎之上的智能執行引擎選擇服務 SQL Engine Proposer(proposer),可以根據查詢的特徵以及當前集群中的隊列狀態為 SQL 查詢選擇合適的執行引擎。數據平台向某個執行引擎提交查詢之前,會先訪問智能執行引擎選擇服務。在選定合適的執行引擎之後,數據平台將任務提交到對應的引擎,包括 Hive,SparkSQL,以及較大內存配置的 SparkSQL。

SparkSQL 在有贊的實踐

並且在 SQL Engine Proposer,我們添加了一系列策略:

  • 規則策略,這些規則可以是某一種 SQL pattern,proposer 使用 Antlr4 來處理執行引擎的語法,對於某些遷移有問題的問題,將這種 pattern 識別出來,添加到規則集合中,典型的規則有沒有發生 shuffle 的任務,或者只發生 broadcast join 的任務,這些任務有可能會產生很多小文件,並且邏輯一般比較簡單,使用Hive運行資源消耗不會太多。

  • 白名單策略,有些任務希望就是用Hive執行,就通過白名單過濾。當 Hive 和 SparkSQL 行為不一致的時候,也可以先加入這個集合中,保持執行和問題定位能夠同時進行。

  • 優先級策略,在灰度遷移的時候,是從低優先級任務開始的,在 proposer 中我們配置了灰度的策略,從低優先級任務切一定的流量開始遷移,逐步放開,在優先級內達到全量,目前放開了除 P1P2 以外的3級任務。

  • 過往執行記錄,proposer 選擇時會根據歷史執行成功情況以及執行時間,如果 SparkSQL 效率比 Hive 有顯著提升,並且在過去一直執行成功,那麼 proposer 會更傾向於選擇 SparkSQL。

截止目前,執行引擎選擇的作業數中 SparkSQL 佔比達到了73%,使用資源僅佔32%,遷移到 SparkSQL 運行的作業帶來了67%資源的節省。

SparkSQL 在有贊的實踐

SparkSQL 在有贊的實踐

四、未來展望

我們計劃 Hadoop 集群資源進一步向 SparkSQL 方向轉移,達到80%,作業數達70%,把最高優先級也開放到選擇引擎,引入 Intel 開源的 Adaptive Execution (https://github.com/Intel-bigdata/spark-adaptive) 功能,優化執行過程中的 shuffle 數目,執行過程中基於代價的 broadcast join 優化,替換 sort merge join,同時更徹底解決小文件問題。

最後打個小廣告,有贊大數據團隊基礎設施團隊,主要負責有贊的數據平台(DP), 實時計算(Storm, Spark Streaming, Flink),離線計算(HDFS,YARN,HIVE, SPARK SQL),在線存儲(HBase),實時 OLAP(Druid) 等數個技術產品,歡迎感興趣的小夥伴聯繫 [email protected]

擴展閱讀

  1. 大數據開發平台(Data Platform)在有贊的最佳實踐

  2. 有贊數據倉庫元數據系統實踐

  3. How we redesigned the NSQ – 其他特性及未來計劃

  4. HBase 寫吞吐場景資源消耗量化分析及優化

-The End-

Vol.141

有贊技術團隊

為 300 萬商家,150 個行業,200 億電商交易額

提供技術支持

微商城|零售|美業

微信公眾號:有贊coder    微博:@有贊技術

技術博客:tech.youzan.com

The bigger the dream, 

the more important the team.

原文 :

相關閱讀

免责声明:本文内容来源于mp.weixin.qq.com,已注明原文出处和链接,文章观点不代表立场,如若侵犯到您的权益,或涉不实谣言,敬请向我们提出检举。