Hive迁移Saprk SQL的坑和改进办法

Qcon 全球软件开发者大会2016北京站 演讲主题：Spark在360的大规模实践与经验分享 李远策

360-Spark集群概况

360-Spark集群概况

360-Spark应用

MLLib • 算法：LDA、LR、FP-Growth、ALS、KMeans、随机森林等。 • 业务：新闻主题分类、新闻推荐、APP推荐、恶意代码识别、恶意域名检测等。 GraphX • 算法：PageRank、Louvain、LPA、连通子图等。 • 业务：搜索PageValue、网站安全监测等。 SparkSQL • 采用HiveContext替换公司90%以上的Hive作业，每天例行1.5W+作业。 • 每个Hive SQL平均3轮MR作业，平均性能提升2~5倍。

SparkSQL替换Hive

Hive迁移到SparkSQL的“正确打开方式”： 1、编译Spark加上-Phive -Phive-thriftserver参数 2、部署Spark（Yarn）集群 3、配置SparkSQL共用Hive的元数据库 4、用spark-hive（spark-sql）工具替换原有的hive命令 5、-e/–f 或者thriftserver提交作业。

SparkSQL部署方案

SparkSQL部署方案

Hive迁移SparkSQL – 坑 & 改进

SQL兼容 （Insert overwrite [local] directory的支持）

例如：insert overwrite directory ‘/tmp/testdir’ select *from T1; Hive中支持，SparkSQL暂时不支持。

因为SparkSQL-HiveContext的SQL解析调用了Hive的ParseDriver. parse完成，所以语法解析上不存在问题。

解决方案： 1、解析AST中的TOK_DIR和TOK_LOCAL_DIR将其转化成新定义的逻辑计划WriteToDirectory 2、将逻辑计划WriteToDirectory转换成新定义的物理计划WriteToDirectory。 3、在物理计划WriteToDirectory执行方法中复用InsertIntoHiveTable中的saveAsHiveFile逻辑将结果写到HDFS中。 4、如果是local directory则将结果再拉回到本地

SQL兼容 （SQL二义性问题）

例如：

    select C.id from (
           select A.id from testb as A
           join
          (select id from testb ) B
    on A.id=B.id) C;

C.id is A.id or B.id ?

transformation bugs （行尾部空列导致的数组越界）

例如： 001tABCt002t [001, ABC, 002] 003tEFGtt [003, EFG]

    new GenericInternalRow(
        prevLine.split(ioschema.outputRowFormatMap(
                              “TOK_TABLEROWFORMATFIELD”))
                     .map(CatalystTypeConverters.convertToCatalyst))

transformation bugs （Script的标准错误缓冲区打满导致transform流程卡住）

transformation

输入小文件合并的改进 （增加支持自定义inputFormat类）

默认采用建表时指定的InpurFormat，如果是默认的TextInputFormat，当小文件比较多是可能会导致RDD的partition数太多，导致性能下降。

解决办法： 通过参数允许用户指定InputFormat，在TableReader中反射生成对应的InputFormat对象并传入到HadoopRDD的构造函数中。

使用方法：

set spark.sql.hive.inputformat=org.apache.hadoop.mapred.lib.CombineTextInputFormat;

输出小文件合并的改进 （增加自动合并结果文件）

当spark.sql.shuffle.partitions设置的比较大且结果数据集比较小时，会产生大量的小文件（文件数等同spark.sql.shuffle.partitions）。 解决办法： 在最后的执行计划中加入一个repartition transformation。通过参数控制最终的partitions数且不影响shuffle partition的数量。 使用方法： set spark.sql.result.partitions=10;

• 支持yarn-cluster模式，减小client的负载默认的yarn-client模式下Scheduler会运行在client上，加重client机器的负载。 解决办法： 让sparkSQL工具支持yarn-cluster模式。 1）在Yarn集群上部署SparkSQL依赖的hive metastore jar包。 2）开通Yarn nodemanager节点访问Hive metastore数据库的权限。 3）解决“”“转义问题。如 spark-hive –e “select * fromuser where name = ”张三””;在yarn-cluster模式中会触发两次command执行从而导致“”被转义两次。

邮箱： liyuance@gmail.com liyuance@360.cn 急招大数据运维和运维开发人员，谢谢