Spark Streaming集成Kafka調優

本文轉載自查看原文 2020-08-03 21:28 937 java

調優

Spark Streaming集成Kafka時，當數據量較小時默認配置一般都能滿足我們的需要，但是當數據量大的時候，就需要進行一定的調整和優化。

合理的批處理時間（batchDuration）
幾乎所有的Spark Streaming調優文檔都會提及批處理時間的調整，在StreamingContext初始化的時候，有一個參數便是批處理時間的設定。如果這個值設置的過短，即個batchDuration所產生的Job並不能在這期間完成處理，那么就會造成數據不斷堆積，最終導致Spark Streaming發生阻塞。而且，一般對於batchDuration的設置不會小於500ms，因為過小會導致SparkStreaming頻繁的提交作業，對整個streaming造成額外的負擔。在平時的應用中，根據不同的應用場景和硬件配置，我設在1~10s之間，我們可以根據SparkStreaming的可視化監控界面，觀察Total Delay來進行batchDuration的調整，如下圖：

調整批處理時間
合理的Kafka拉取量（maxRatePerPartition重要）
對於Spark Streaming消費kafka中數據的應用場景，這個配置是非常關鍵的，配置參數為：spark.streaming.kafka.maxRatePerPartition。這個參數默認是沒有上線的，即kafka當中有多少數據它就會直接全部拉出。而根據生產者寫入Kafka的速率以及消費者本身處理數據的速度，同時這個參數需要結合上面的batchDuration，使得每個partition拉取在每個batchDuration期間拉取的數據能夠順利的處理完畢，做到盡可能高的吞吐量，而這個參數的調整可以參考可視化監控界面中的Input Rate和Processing Time，如下圖：

maxRatePerPartition1

maxRatePerPartition2

spark.streaming.kafka.maxRatePerPartition這個參數是控制吞吐量的，一般和spark.streaming.backpressure.enabled=true一起使用。那么應該怎么算這個值呢。

如例要10分鍾的吞吐量控制在5000,0000，kafka分區是10個。

spark.streaming.kafka.maxRatePerPartition=8400這個值是怎么算的呢。如下是公式

spark.streaming.kafka.maxRatePerPartition的值 * kafka分區數 * (10 *60)(每秒時間)
緩存反復使用的Dstream（RDD）
Spark中的RDD和SparkStreaming中的Dstream，如果被反復的使用，最好利用cache()，將該數據流緩存起來，防止過度的調度資源造成的網絡開銷。可以參考觀察Scheduling Delay參數，如下圖：

Dstream
設置合理的GC
長期使用Java的小伙伴都知道，JVM中的垃圾回收機制，可以讓我們不過多的關注與內存的分配回收，更加專注於業務邏輯，JVM都會為我們搞定。對JVM有些了解的小伙伴應該知道，在Java虛擬機中，將內存分為了初生代（eden generation）、年輕代（young generation）、老年代（old generation）以及永久代（permanent generation），其中每次GC都是需要耗費一定時間的，尤其是老年代的GC回收，需要對內存碎片進行整理，通常采用標記-清楚的做法。同樣的在Spark程序中，JVM GC的頻率和時間也是影響整個Spark效率的關鍵因素。在通常的使用中建議：
```
--conf "spark.executor.extraJavaOptions=-XX:+UseConcMarkSweepGC"
```
設置合理的CPU資源數
CPU的core數量，每個executor可以占用一個或多個core，可以通過觀察CPU的使用率變化來了解計算資源的使用情況，例如，很常見的一種浪費是一個executor占用了多個core，但是總的CPU使用率卻不高（因為一個executor並不總能充分利用多核的能力），這個時候可以考慮讓么個executor占用更少的core，同時worker下面增加更多的executor，或者一台host上面增加更多的worker來增加並行執行的executor的數量，從而增加CPU利用率。但是增加executor的時候需要考慮好內存消耗，因為一台機器的內存分配給越多的executor，每個executor的內存就越小，以致出現過多的數據spill over甚至out of memory的情況。
設置合理的parallelism
partition和parallelism，partition指的就是數據分片的數量，每一次task只能處理一個partition的數據，這個值太小了會導致每片數據量太大，導致內存壓力，或者諸多executor的計算能力無法利用充分；但是如果太大了則會導致分片太多，執行效率降低。在執行action類型操作的時候（比如各種reduce操作），partition的數量會選擇parent RDD中最大的那一個。而parallelism則指的是在RDD進行reduce類操作的時候，默認返回數據的paritition數量（而在進行map類操作的時候，partition數量通常取自parent RDD中較大的一個，而且也不會涉及shuffle，因此這個parallelism的參數沒有影響）。所以說，這兩個概念密切相關，都是涉及到數據分片的，作用方式其實是統一的。通過spark.default.parallelism可以設置默認的分片數量，而很多RDD的操作都可以指定一個partition參數來顯式控制具體的分片數量。
在SparkStreaming+kafka的使用中，我們采用了Direct連接方式，前文闡述過Spark中的partition和Kafka中的Partition是一一對應的，我們一般默認設置為Kafka中Partition的數量。
使用高性能的算子
這里參考了美團技術團隊的博文，並沒有做過具體的性能測試，其建議如下：

使用reduceByKey/aggregateByKey替代groupByKey
使用mapPartitions替代普通map
使用foreachPartitions替代foreach
使用filter之后進行coalesce操作
使用repartitionAndSortWithinPartitions替代repartition與sort類操作

使用Kryo優化序列化性能
這個優化原則我本身也沒有經過測試，但是好多優化文檔有提到，這里也記錄下來。
在Spark中，主要有三個地方涉及到了序列化：

在算子函數中使用到外部變量時，該變量會被序列化后進行網絡傳輸（見“原則七：廣播大變量”中的講解）。
將自定義的類型作為RDD的泛型類型時（比如JavaRDD，Student是自定義類型），所有自定義類型對象，都會進行序列化。因此這種情況下，也要求自定義的類必須實現Serializable接口。
使用可序列化的持久化策略時（比如MEMORY_ONLY_SER），Spark會將RDD中的每個partition都序列化成一個大的字節數組。
對於這三種出現序列化的地方，我們都可以通過使用Kryo序列化類庫，來優化序列化和反序列化的性能。Spark默認使用的是Java的序列化機制，也就是ObjectOutputStream/ObjectInputStream API來進行序列化和反序列化。但是Spark同時支持使用Kryo序列化庫，Kryo序列化類庫的性能比Java序列化類庫的性能要高很多。官方介紹，Kryo序列化機制比Java序列化機制，性能高10倍左右。Spark之所以默認沒有使用Kryo作為序列化類庫，是因為Kryo要求最好要注冊所有需要進行序列化的自定義類型，因此對於開發者來說，這種方式比較麻煩。

以下是使用Kryo的代碼示例，我們只要設置序列化類，再注冊要序列化的自定義類型即可（比如算子函數中使用到的外部變量類型、作為RDD泛型類型的自定義類型等）：

// 創建SparkConf對象。 val conf = new SparkConf().setMaster(...).setAppName(...) // 設置序列化器為KryoSerializer。 conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer") // 注冊要序列化的自定義類型。 conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]))

結果
經過種種調試優化，我們最終要達到的目的是，Spark Streaming能夠實時的拉取Kafka當中的數據，並且能夠保持穩定，如下圖所示：

結果

當然不同的應用場景會有不同的圖形，這是本文詞頻統計優化穩定后的監控圖，我們可以看到Processing Time這一柱形圖中有一Stable的虛線，而大多數Batch都能夠在這一虛線下處理完畢，說明整體Spark Streaming是運行穩定的。