如果想及时了解Spark、Hadoop或者Hbase相关的文章,欢迎关注微信公共帐号:iteblog_hadoop
Apache Spark 3.0 增加了很多令人兴奋的新特性,包括动态分区修剪(Dynamic Partition Pruning)、自适应查询执行(Adaptive Query Execution)、加速器感知调度(Accelerator-aware Scheduling)、支持 Catalog 的数据源API(Data Source API with Catalog Supports)、 Spark R 中的向量化(Vectorization in SparkR)、支持 Hadoop 3/JDK 11/Scala 2.12 等等。 Spark 3.0.0-preview 中主要特性和变化的完整列表请参阅 这里 。 下面我将带领大家解析一些比较重要的新特性。如果想及时了解Spark、Hadoop或者HBase相关的文章,欢迎关注微信公众号:iteblog_hadoop
PS: 仔细同学可以看出,Spark 3.0 好像没多少 Streaming/Structed Streaming 相关的 ISSUE,这可能有几个原因:目前基于 Batch 模式的 Spark Streaming/Structed Streaming 能够满足企业大部分的需求,真正需要非常实时计算的应用还是很少的,所以 Continuous Processing 模块还处于试验阶段,还不急着毕业;
数砖应该在大量投人开发 Delta Lake 相关的东西,这个能够企业带来收入,目前这个才是他们的重点,所以自然开发 Streaming 的投入少了。
所谓的动态分区裁剪就是基于运行时(run time)推断出来的信息来进一步进行分区裁剪。举个例子,我们有如下的查询:
SELECT * FROM dim_iteblog JOIN fact_iteblog ON (dim_iteblog.partcol = fact_iteblog.partcol) WHERE dim_iteblog.othercol > 10 |
假设 dim_iteblog 表的 dim_iteblog.othercol > 10 过滤出来的数据比较少,但是由于之前版本的 Spark 无法进行动态计算代价,所以可能会导致 fact_iteblog 表扫描出大量无效的数据。有了动态分区裁减,可以在运行的时候过滤掉 fact_iteblog 表无用的数据。经过这个优化,查询扫描的数据大大减少,性能提升了 33 倍。
这个特性对应的 ISSUE 可以参见 SPARK-11150 和 SPARK-28888。
自适应查询执行(Adaptive Query Execution)
自适应查询执行(又称 Adaptive Query Optimisation 或者 Adaptive Optimisation)是对查询执行计划的优化,允许 Spark Planner 在运行时执行可选的执行计划,这些计划将基于运行时统计数据进行优化。 早在2015年,Spark 社区就提出了自适应执行的基本想法,在 Spark 的 DAGScheduler 中增加了提交单个 map stage 的接口,并且在实现运行时调整 shuffle partition 数量上做了尝试。 但目前该实现有一定的局限性,在某些场景下会引入更多的 shuffle,即更多的 stage,对于三表在同一个 stage 中做 join 等情况也无法很好的处理; 而且使用当前框架很难灵活地在自适应执行中实现其他功能,例如更改执行计划或在运行时处理倾斜的 join。 所以该功能一直处于实验阶段,配置参数也没有在官方文档中提及。 这个想法主要来自英特尔以及百度的大牛,具体参见 SPARK-9850 。而 Apache Spark 3.0 的 Adaptive Query Execution 是基于 SPARK-9850 的思想而实现的,具体参见 SPARK-23128。SPARK-23128 的目标是实现一个灵活的框架以在 Spark SQL 中执行自适应执行,并支持在运行时更改 reducer 的数量。新的实现解决了前面讨论的所有限制,其他功能(如更改 join 策略和处理倾斜 join)将作为单独的功能实现,并作为插件在后面版本提供。
加速器感知调度(Accelerator-aware Scheduling)
如今大数据和机器学习已经有了很大的结合,在机器学习里面,因为计算迭代的时间可能会很长,开发人员一般会选择使用 GPU、FPGA 或 TPU 来加速计算。在 Apache Hadoop 3.1 版本里面已经开始内置原生支持 GPU 和 FPGA 了。作为通用计算引擎的 Spark 肯定也不甘落后,来自 Databricks、NVIDIA、Google 以及阿里巴巴的工程师们正在为 Apache Spark 添加原生的 GPU 调度支持,该方案填补了 Spark 在 GPU 资源的任务调度方面的空白,有机地融合了大数据处理和 AI 应用,扩展了 Spark 在深度学习、信号处理和各大数据应用的应用场景。这项工作的 issue 可以在 SPARK-24615 里面查看,相关的 SPIP(Spark Project Improvement Proposals) 文档可以参见 SPIP: Accelerator-aware scheduling
如果想及时了解Spark、Hadoop或者HBase相关的文章,欢迎关注微信公共帐号:iteblog_hadoop
目前 Apache Spark 支持的资源管理器 YARN 和 Kubernetes 已经支持了 GPU。为了让 Spark 也支持 GPUs,在技术层面上需要做出两个主要改变:
在 cluster manager 层面上,需要升级 cluster managers 来支持 GPU。并且给用户提供相关 API,使得用户可以控制 GPU 资源的使用和分配。
在 Spark 内部,需要在 scheduler 层面做出修改,使得 scheduler 可以在用户 task 请求中识别 GPU 的需求,然后根据 executor 上的 GPU 供给来完成分配。
Apache Spark DataSource V2
Data Source API 定义如何从存储系统进行读写的相关 API 接口,比如 Hadoop 的 InputFormat/OutputFormat,Hive 的 Serde 等。这些 API 非常适合用户在 Spark 中使用 RDD 编程的时候使用。使用这些 API 进行编程虽然能够解决我们的问题,但是对用户来说使用成本还是挺高的,而且 Spark 也不能对其进行优化。为了解决这些问题,Spark 1.3 版本开始引入了 Data Source API V1,通过这个 API 我们可以很方便的读取各种来源的数据,而且 Spark 使用 SQL 组件的一些优化引擎对数据源的读取进行优化,比如列裁剪、过滤下推等等。
如果想及时了解Spark、Hadoop或者HBase相关的文章,欢迎关注微信公众号:iteblog_hadoop
Data Source API V1 为我们抽象了一系列的接口,使用这些接口可以实现大部分的场景。 但是随着使用的用户增多,逐渐显现出一些问题:部分接口依赖 SQLContext 和 DataFrame
扩展能力有限,难以下推其他算子
缺乏对列式存储读取的支持
缺乏分区和排序信息
写操作不支持事务
不支持流处理
文章的介绍。
更好的 ANSI SQL 兼容
PostgreSQL 是最先进的开源数据库之一,其支持 SQL:2011 的大部分主要特性,完全符合 SQL:2011 要求的 179 个功能中,PostgreSQL 至少符合 160 个。Spark 社区目前专门开了一个 ISSUE SPARK-27764 来解决 Spark SQL 和 PostgreSQL 之间的差异,包括功能特性补齐、Bug 修改等。功能补齐包括了支持 ANSI SQL 的一些函数、区分 SQL 保留关键字以及内置函数等。这个 ISSUE 下面对应了 231 个子 ISSUE,如果这部分的 ISSUE 都解决了,那么 Spark SQL 和 PostgreSQL 或者 ANSI SQL:2011 之间的差异更小了。
SparkR 向量化读写
Spark 是从 1.4 版本开始支持 R 语言的,但是那时候 Spark 和 R 进行交互的架构图如下:
如果想及时了解Spark、Hadoop或者HBase相关的文章,欢迎关注微信公共帐号:iteblog_hadoop
每当我们使用 R 语言和 Spark 集群进行交互,需要经过 JVM ,这也就无法避免数据的序列化和反序列化操作,这在数据量很大的情况下性能是十分低下的!
而且 Apache Spark 已经在许多操作中进行了向量化优化(vectorization optimization),例如,内部列式格式(columnar format)、Parquet/ORC 向量化读取、Pandas UDFs 等。向量化可以大大提高性能。SparkR 向量化允许用户按原样使用现有代码,但是当他们执行 R 本地函数或将 Spark DataFrame 与 R DataFrame 互相转换时,可以将性能提高大约数千倍。这项工作可以看下 SPARK-26759。新的架构如下:
如果想及时了解Spark、Hadoop或者HBase相关的文章,欢迎关注微信公共帐号:iteblog_hadoop
可以看出,SparkR 向量化是利用 Apache Arrow,其使得系统之间数据的交互变得很高效,而且避免了数据的序列化和反序列化的消耗,所以采用了这个之后,SparkR 和 Spark 交互的性能得到极大提升。其他
Spark on K8S:Spark 对 Kubernetes 的支持是从2.3版本开始的,Spark 2.4 得到提升,Spark 3.0 将会加入 Kerberos 以及资源动态分配的支持。
Remote Shuffle Service:当前的 Shuffle 有很多问题,比如弹性差、对 NodeManager 有很大影响,不适应云环境。为了解决上面问题,将会引入 Remote Shuffle Service,具体参见 SPARK-25299
支持 JDK 11:参见 SPARK-24417,之所以直接选择 JDK 11 是因为 JDK 8 即将达到 EOL(end of life),而 JDK9 和 JDK10 已经是 EOL,所以社区就跳过 JDK9 和 JDK10 而直接支持 JDK11。不过 Spark 3.0 预览版默认还是使用 JDK 1.8;
移除对 Scala 2.11 的支持,默认支持 Scala 2.12,具体参见 SPARK-26132
支持 Hadoop 3.2,具体参见 SPARK-23710,Hadoop 3.0 已经发布了2年了(Apache Hadoop 3.0.0-beta1 正式发布,下一个版本(GA)即可在线上使用),所以支持 Hadoop 3.0 也是自然的,不过 Spark 3.0 预览版默认还是使用 Hadoop 2.7.4。
附:Spark 3.0 重要 ISSUE
SPARK-11215 Multiple columns support added to various Transformers: StringIndexer
SPARK-11150 Implement Dynamic Partition Pruning
SPARK-13677 Support Tree-Based Feature Transformation
SPARK-16692 Add MultilabelClassificationEvaluator
SPARK-19591 Add sample weights to decision trees
SPARK-19712 Pushing Left Semi and Left Anti joins through Project, Aggregate, Window, Union etc.
SPARK-19827 R API for Power Iteration Clustering
SPARK-20286 Improve logic for timing out executors in dynamic allocation
SPARK-20636 Eliminate unnecessary shuffle with adjacent Window expressions
SPARK-22148 Acquire new executors to avoid hang because of blacklisting
SPARK-22796 Multiple columns support added to various Transformers: PySpark QuantileDiscretizer
SPARK-23128 A new approach to do adaptive execution in Spark SQL
SPARK-23155 Apply custom log URL pattern for executor log URLs in SHS
SPARK-23539 Add support for Kafka headers
SPARK-23674 Add Spark ML Listener for Tracking ML Pipeline Status
SPARK-23710 Upgrade the built-in Hive to 2.3.5 for hadoop-3.2
SPARK-24333 Add fit with validation set to Gradient Boosted Trees: Python API
SPARK-24417 Build and Run Spark on JDK11
SPARK-24615 Accelerator-aware task scheduling for Spark
SPARK-24920 Allow sharing Netty's memory pool allocators
SPARK-25250 Fix race condition with tasks running when new attempt for same stage is created leads to other task in the next attempt running on the same partition id retry multiple times
SPARK-25341 Support rolling back a shuffle map stage and re-generate the shuffle files
SPARK-25348 Data source for binary files
SPARK-25390 data source V2 API refactoring
SPARK-25501 Add Kafka delegation token support
SPARK-25603 Generalize Nested Column Pruning
SPARK-26132 Remove support for Scala 2.11 in Spark 3.0.0
SPARK-26215 define reserved keywords after SQL standard
SPARK-26412 Allow Pandas UDF to take an iterator of pd.DataFrames
SPARK-26651 Use Proleptic Gregorian calendar
SPARK-26759 Arrow optimization in SparkR's interoperability
SPARK-26848 Introduce new option to Kafka source: offset by timestamp (starting/ending)
SPARK-27064 create StreamingWrite at the beginning of streaming execution
SPARK-27119 Do not infer schema when reading Hive serde table with native data source
SPARK-27225 Implement join strategy hints
SPARK-27240 Use pandas DataFrame for struct type argument in Scalar Pandas UDF
SPARK-27338 Fix deadlock between TaskMemoryManager and UnsafeExternalSorter$SpillableIterator
SPARK-27396 Public APIs for extended Columnar Processing Support
SPARK-27463 Support Dataframe Cogroup via Pandas UDFs
SPARK-27589 Re-implement file sources with data source V2 API
SPARK-27677 Disk-persisted RDD blocks served by shuffle service, and ignored for Dynamic Allocation
SPARK-27699 Partially push down disjunctive predicated in Parquet/ORC
SPARK-27763 Port test cases from PostgreSQL to Spark SQL
SPARK-27884 Deprecate Python 2 support
SPARK-27921 Convert applicable *.sql tests into UDF integrated test base
SPARK-27963 Allow dynamic allocation without an external shuffle service
SPARK-28177 Adjust post shuffle partition number in adaptive execution
SPARK-28199 Move Trigger implementations to Triggers.scala and avoid exposing these to the end users
SPARK-28372 Document Spark WEB UI
SPARK-28399 RobustScaler feature transformer
SPARK-28426 Metadata Handling in Thrift Server
SPARK-28588 Build a SQL reference doc
SPARK-28608 Improve test coverage of ThriftServer
SPARK-28753 Dynamically reuse subqueries in AQE
SPARK-28855 Remove outdated Experimental, Evolving annotations
SPARK-29345 Add an API that allows a user to define and observe arbitrary metrics on streaming queries
SPARK-25908 SPARK-28980 Remove deprecated items since < = 2.2.0
新福利:
从11月01日开始至12月06日截止,一共五周时间,每周五我会从公众号底部留言+转发+在看综合最多的读者中抽取一名读者,免费包邮送实体新书《Flink入门与实战》,留言互动起来吧~
上周获奖名单:佐佑
猜你喜欢
更多推荐
Apache Spark 3.0 预览版正式发布,多项重大功能发布
发布评论