Spark源码分析之分区器的作用

最近因为手抖，在Spark中给自己挖了一个数据倾斜的坑。为了解决这个问题，顺便研究了下Spark分区器的原理，趁着周末加班总结一下~

先说说数据倾斜

数据倾斜是指Spark中的RDD在计算的时候，每个RDD内部的分区包含的数据不平均。比如一共有5个分区，其中一个占有了90%的数据，这就导致本来5个分区可以5个人一起并行干活，结果四个人不怎么干活，工作全都压到一个人身上了。遇到这种问题，网上有很多的解决办法。

但是如果是底层数据的问题，无论怎么优化，还是无法解决数据倾斜的。

比如你想要对某个rdd做groupby，然后做join操作，如果分组的key就是分布不均匀的，那么真样都是无法优化的。因为一旦这个key被切分，就无法完整的做join了，如果不对这个key切分，必然会造成对应的分区数据倾斜。

不过，了解数据为什么会倾斜还是很重要的，继续往下看吧!

分区的作用

在PairRDD即(key,value)这种格式的rdd中，很多操作都是基于key的，因此为了独立分割任务，会按照key对数据进行重组。比如groupbykey

重组肯定是需要一个规则的，最常见的就是基于Hash，Spark还提供了一种稍微复杂点的基于抽样的Range分区方法。

下面我们先看看分区器在Spark计算流程中是怎么使用的：

Paritioner的使用

就拿groupbykey来说：

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

它会调用PairRDDFunction的groupByKey()方法

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

在这个方法里面创建了默认的分区器。默认的分区器是这样定义的：

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)     } 
  } 

首先获取当前分区的分区个数，如果没有设置spark.default.parallelism参数，则创建一个跟之前分区个数一样的Hash分区器。

当然，用户也可以自定义分区器，或者使用其他提供的分区器。API里面也是支持的：

// 传入分区器对象 def groupByKey(partitioner: Partitioner): JavaPairRDD[K, JIterable[V]] = 
    fromRDD(groupByResultToJava(rdd.groupByKey(partitioner))) // 传入分区的个数 
def groupByKey(numPartitions: Int): JavaPairRDD[K, JIterable[V]] =     fromRDD(groupByResultToJava(rdd.groupByKey(numPartitions))) 

HashPatitioner

Hash分区器，是最简单也是默认提供的分区器，了解它的分区规则，对我们处理数据倾斜或者设计分组的key时，还是很有帮助的。

class HashPartitioner(partitions: Int) extends Partitioner {   require(partitions >= 0, s"Number of partitions ($partitions) cannot be negative.") 
   def numPartitions: Int = partitions 
   // 通过key计算其HashCode，并根据分区数取模。如果结果小于0，直接加上分区数。 
  def getPartition(key: Any): Int = key match {     case null => 0 
    case _ => Utils.nonNegativeMod(key.hashCode, numPartitions)   } 
   // 对比两个分区器是否相同，直接对比其分区个数就行 
  override def equals(other: Any): Boolean = other match {     case h: HashPartitioner => 
      h.numPartitions == numPartitions     case _ => 
      false   } 
   override def hashCode: Int = numPartitions 
} 

这里最重要的是这个Utils.nonNegativeMod(key.hashCode, numPartitions),它决定了数据进入到哪个分区。

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

说白了，就是基于这个key获取它的hashCode，然后对分区个数取模。由于HashCode可能为负，这里直接判断下，如果小于0，再加上分区个数即可。

因此，基于hash的分区，只要保证你的key是分散的，那么最终数据就不会出现数据倾斜的情况。

RangePartitioner

这个分区器，适合想要把数据打散的场景，但是如果相同的key重复量很大，依然会出现数据倾斜的情况。

每个分区器，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分区中，会存储一个边界的数组，比如[1,100,200,300,400]，然后对比传进来的key，返回对应的分区id。

那么这个边界是怎么确定的呢?

这就是Range分区最核心的算法了，大概描述下，就是遍历每个paritiion，对里面的数据进行抽样，把抽样的数据进行排序，并按照对应的权重确定边界。

有几个比较重要的地方：

1 抽样

2 确定边界

关于抽样，有一个很常见的算法题，即在不知道数据规模的情况下，如何以等概率的方式，随机选择一个值。

最笨的办法，就是遍历一次数据，知道数据的规模，然后随机一个数，取其对应的值。其实这样相当于遍历了两次(第二次的取值根据不同的存储介质，可能不同)。

在Spark中，是使用水塘抽样这种算法。即首先取***个值，然后依次往后遍历;第二个值有二分之一的几率替换选出来的值;第三个值有三分之一的几率替换选出来的值;…;直到遍历到***一个值。这样，通过依次遍历就取出来随机的数值了。

算法参考源码：

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.       // ***采样数量不能超过1M。比如，如果分区是5，采样数为100 
      val sampleSize = math.min(20.0 * partitions, 1e6)       // Assume the input partitions are roughly balanced and over-sample a little bit. 
      // 每个分区的采样数为平均值的三倍，避免数据倾斜造成的数据量过少       val sampleSizePerPartition = math.ceil(3.0 * sampleSize / rdd.partitions.size).toInt 
       // 真正的采样算法(参数1:rdd的key数组， 采样个数) 
      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. 
        // 如果有的分区包含的数量远超过平均值，那么需要对它重新采样。每个分区的采样数/采样返回的总的记录数         val fraction = math.min(sampleSize / math.max(numItems, 1L), 1.0) 
        //保存有效的采样数         val candidates = ArrayBuffer.empty[(K, Float)] 
        //保存数据倾斜导致的采样数过多的信息         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获取采样数据           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)       //包装成三元组，（索引号，分区的内容个数，抽样的内容） 
      Iterator((idx, n, sample))     }.collect() 
    val numItems = sketched.map(_._2).sum     //返回（数据条数，（索引号，分区的内容个数，抽样的内容）） 
    (numItems, sketched)   } 
   

真正的抽样算法在SamplingUtils中,由于在Spark中是需要一次性取多个值的，因此直接去前n个数值，然后依次概率替换即可：

def reservoirSampleAndCount[T: ClassTag](       input: Iterator[T], 
      k: Int,       seed: Long = Random.nextLong()) 
    : (Array[T], Long) = {     //创建临时数组 
    val reservoir = new Array[T](k)     // Put the first k elements in the reservoir. 
    // 取出前k个数，并把对应的rdd中的数据放入对应的序号的数组中     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，比要抽取的采样数少，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)  
    // 否则开始抽样替换     } else { 
      // If input size > k, continue the sampling process.       // 从刚才的序号开始，继续遍历 
      var l = i.toLong       // 随机数 
      val rand = new XORShiftRandom(seed)       while (input.hasNext) { 
        val item = input.next()         // 随机一个数与当前的l相乘，如果小于采样数k，就替换。（越到后面，替换的概率越小...） 
        val replacementIndex = (rand.nextDouble() * l).toLong         if (replacementIndex < k) { 
          reservoir(replacementIndex.toInt) = item         } 
        l += 1       } 
      (reservoir, l)     } 
  } 

确定边界

***就可以通过获取的样本数据，确定边界了。

def determineBounds[K : Ordering : ClassTag](       candidates: ArrayBuffer[(K, Float)], 
      partitions: Int): Array[K] = {     val ordering = implicitly[Ordering[K]] 
    // 数据格式为（key，权重）     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 
  } 

直接看代码，还是有些晦涩难懂，我们举个例子，一步一步解释下：

按照上面的算法流程，大致可以理解：

抽样-->确定边界(排序) 

首先对spark有一定了解的都应该知道，在spark中每个RDD可以理解为一组分区，这些分区对应了内存块block,他们才是数据最终的载体。那么一个RDD由不同的分区组成，这样在处理一些map,filter等算子的时候，就可以直接以分区为单位并行计算了。直到遇到shuffle的时候才需要和其他的RDD配合。

在上面的图中，如果我们不特殊设置的话，一个RDD由3个分区组成，那么在对它进行groupbykey的时候，就会按照3进行分区。

按照上面的算法流程，如果分区数为3，那么采样的大小为：

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

即采样数为60，每个分区取60个数。但是考虑到数据倾斜的情况，有的分区可能数据很多，因此在实际的采样时，会按照3倍大小采样：

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

也就是说，最多会取60个样本数据。

然后就是遍历每个分区，取对应的样本数。

val sketched = rdd.mapPartitionsWithIndex { (idx, iter) =>       val seed = byteswap32(idx ^ (shift << 16)) 
      val (sample, n) = SamplingUtils.reservoirSampleAndCount(         iter, sampleSizePerPartition, seed) 
      //包装成三元组，（索引号，分区的内容个数，抽样的内容）       Iterator((idx, n, sample)) 
    }.collect() 

然后检查，是否有分区的样本数过多，如果多于平均值，则继续采样，这时直接用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获取采样数据 
          val reSampled = imbalanced.sample(withReplacement = false, fraction, seed).collect()           val weight = (1.0 / fraction).toFloat 
          candidates ++= reSampled.map(x => (x, weight))         } 

取出样本后，就到了确定边界的时候了。

注意每个key都会有一个权重，这个权重是 【分区的数据总数/样本数】

RangePartitioner.determineBounds(candidates, partitions) 

首先排序val ordered = candidates.sortBy(_._1)，然后确定一个权重的步长

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

基于该步长，确定边界，***就形成了几个范围数据。

然后分区器形成二叉树，遍历该数确定每个key对应的分区id

partition = binarySearch(rangeBounds, k) 

实践 —— 自定义分区器

自定义分区器，也是很简单的，只需要实现对应的两个方法就行：

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);     } 
} 

使用的时候，可以直接new一个对象即可。

pairRdd.groupbykey(new MyPartitioner()) 

这样自定义分区器就完成了。