通過添加新代碼的方式來對(duì)Spark進(jìn)行增強(qiáng)的示例分析

通過添加新代碼的方式來對(duì)Spark進(jìn)行增強(qiáng)的示例分析，很多新手對(duì)此不是很清楚，為了幫助大家解決這個(gè)難題，下面小編將為大家詳細(xì)講解，有這方面需求的人可以來學(xué)習(xí)下，希望你能有所收獲。

前言

這兩年做 streamingpro  時(shí)，不可避免的需要對(duì)Spark做大量的增強(qiáng)。就如同我之前吐槽的，Spark大量使用了new進(jìn)行對(duì)象的創(chuàng)建，導(dǎo)致里面的實(shí)現(xiàn)基本沒有辦法進(jìn)行替換。

比如SparkEnv里有個(gè)屬性叫closureSerializer，是專門做任務(wù)的序列化反序列化的，當(dāng)然也負(fù)責(zé)對(duì)函數(shù)閉包的序列化反序列化。我們看看內(nèi)部是怎么實(shí)現(xiàn)的：

val serializer = instantiateClassFromConf[Serializer](       "spark.serializer", "org.apache.spark.serializer.JavaSerializer")     logDebug(s"Using serializer: ${serializer.getClass}")      val serializerManager = new SerializerManager(serializer, conf, ioEncryptionKey)      val closureSerializer = new JavaSerializer(conf)  val envInstance = new SparkEnv( .....  closureSerializer, ....

這里直接new了一個(gè)JavaSerializer,并不能做配置。如果不改源碼，你沒有任何辦法可以替換掉掉這個(gè)實(shí)現(xiàn)。同理，如果我想替換掉Executor的實(shí)現(xiàn)，基本也是不可能的。

今年有兩個(gè)大地方涉及到了對(duì)Spark的【魔改】，也就是不通過改源碼，使用原有發(fā)型包，通過添加新代碼的方式來對(duì)Spark進(jìn)行增強(qiáng)。

二層RPC的支持

我們知道，在Spark里，我們只能通過Task才能touch到Executor。現(xiàn)有的API你是沒辦法直接操作到所有或者指定部分的Executor。比如，我希望所有Executor都加載一個(gè)資源文件，現(xiàn)在是沒辦法做到的。為了能夠?qū)xecutor進(jìn)行直接的操作，那就需要建立一個(gè)新的通訊層。那具體怎么做呢?

首先，在Driver端建立一個(gè)Backend,這個(gè)比較簡單，

class PSDriverBackend(sc: SparkContext) extends Logging {    val conf = sc.conf   var psDriverRpcEndpointRef: RpcEndpointRef = null    def createRpcEnv = {     val isDriver = sc.env.executorId == SparkContext.DRIVER_IDENTIFIER     val bindAddress = sc.conf.get(DRIVER_BIND_ADDRESS)     val advertiseAddress = sc.conf.get(DRIVER_HOST_ADDRESS)     var port = sc.conf.getOption("spark.ps.driver.port").getOrElse("7777").toInt     val ioEncryptionKey = if (sc.conf.get(IO_ENCRYPTION_ENABLED)) {       Some(CryptoStreamUtils.createKey(sc.conf))     } else {       None     }     logInfo(s"setup ps driver rpc env: ${bindAddress}:${port} clientMode=${!isDriver}")     var createSucess = false     var count = 0     val env = new AtomicReference[RpcEnv]()     while (!createSucess && count < 10) {       try {         env.set(RpcEnv.create("PSDriverEndpoint", bindAddress, port, sc.conf,           sc.env.securityManager, clientMode = !isDriver))         createSucess = true       } catch {         case e: Exception =>           logInfo("fail to create rpcenv", e)           count += 1           port += 1       }     }     if (env.get() == null) {       logError(s"fail to create rpcenv finally with attemp ${count} ")     }     env.get()   }    def start() = {     val env = createRpcEnv     val pSDriverBackend = new PSDriverEndpoint(sc, env)     psDriverRpcEndpointRef = env.setupEndpoint("ps-driver-endpoint", pSDriverBackend)   }  }

這樣，你可以理解為在Driver端啟動(dòng)了一個(gè)PRC Server。要運(yùn)行這段代碼也非常簡單，直接在主程序里運(yùn)行即可：

// parameter server should be enabled by default     if (!params.containsKey("streaming.ps.enable") || params.get("streaming.ps.enable").toString.toBoolean) {       logger.info("ps enabled...")       if (ss.sparkContext.isLocal) {         localSchedulerBackend = new LocalPSSchedulerBackend(ss.sparkContext)         localSchedulerBackend.start()       } else {         logger.info("start PSDriverBackend")         psDriverBackend = new PSDriverBackend(ss.sparkContext)         psDriverBackend.start()       }     }

這里我們需要實(shí)現(xiàn)local模式和cluster模式兩種。

Driver啟動(dòng)了一個(gè)PRC Server，那么Executor端如何啟動(dòng)呢?Executor端似乎沒有任何一個(gè)地方可以讓我啟動(dòng)一個(gè)PRC Server?  其實(shí)有的，只是非常trick,我們知道Spark是允許自定義Metrics的，并且會(huì)調(diào)用用戶實(shí)現(xiàn)的metric特定的方法，我們只要開發(fā)一個(gè)metric  Sink,在里面啟動(dòng)RPC Server，騙過Spark即可。具體時(shí)下如下：

class PSServiceSink(val property: Properties, val registry: MetricRegistry,                     securityMgr: SecurityManager) extends Sink with Logging {   def env = SparkEnv.get    var psDriverUrl: String = null   var psExecutorId: String = null   var hostname: String = null   var cores: Int = 0   var appId: String = null   val psDriverPort = 7777   var psDriverHost: String = null   var workerUrl: Option[String] = None   val userClassPath = new mutable.ListBuffer[URL]()    def parseArgs = {     //val runtimeMxBean = ManagementFactory.getRuntimeMXBean();     //var argv = runtimeMxBean.getInputArguments.toList     var argv = System.getProperty("sun.java.command").split("\\s+").toList     .....     psDriverHost = host     psDriverUrl = "spark://ps-driver-endpoint@" + psDriverHost + ":" + psDriverPort   }    parseArgs    def createRpcEnv = {     val isDriver = env.executorId == SparkContext.DRIVER_IDENTIFIER     val bindAddress = hostname     val advertiseAddress = ""     val port = env.conf.getOption("spark.ps.executor.port").getOrElse("0").toInt     val ioEncryptionKey = if (env.conf.get(IO_ENCRYPTION_ENABLED)) {       Some(CryptoStreamUtils.createKey(env.conf))     } else {       None     }     //logInfo(s"setup ps driver rpc env: ${bindAddress}:${port} clientMode=${!isDriver}")     RpcEnv.create("PSExecutorBackend", bindAddress, port, env.conf,       env.securityManager, clientMode = !isDriver)   }    override def start(): Unit = {      new Thread(new Runnable {       override def run(): Unit = {         logInfo(s"delay PSExecutorBackend 3s")         Thread.sleep(3000)         logInfo(s"start PSExecutor;env:${env}")         if (env.executorId != SparkContext.DRIVER_IDENTIFIER) {           val rpcEnv = createRpcEnv           val pSExecutorBackend = new PSExecutorBackend(env, rpcEnv, psDriverUrl, psExecutorId, hostname, cores)           PSExecutorBackend.executorBackend = Some(pSExecutorBackend)           rpcEnv.setupEndpoint("ps-executor-endpoint", pSExecutorBackend)         }       }     }).start()    } ... }

到這里，我們就能成功啟動(dòng)RPC Server，并且連接上Driver中的PRC Server。現(xiàn)在，你就可以在不修改Spark  源碼的情況下，盡情的寫通訊相關(guān)的代碼了，讓你可以更好的控制Executor。

比如在PSExecutorBackend 實(shí)現(xiàn)如下代碼：

override def receiveAndReply(context: RpcCallContext): PartialFunction[Any, Unit] = {     case Message.TensorFlowModelClean(modelPath) => {       logInfo("clean tensorflow model")       TFModelLoader.close(modelPath)       context.reply(true)     }     case Message.CopyModelToLocal(modelPath, destPath) => {       logInfo(s"copying model: ${modelPath} -> ${destPath}")       HDFSOperator.copyToLocalFile(destPath, modelPath, true)       context.reply(true)     }   }

接著你就可以在Spark里寫如下的代碼調(diào)用了：

val psDriverBackend = runtime.asInstanceOf[SparkRuntime].psDriverBackend psDriverBackend.psDriverRpcEndpointRef.send(Message.TensorFlowModelClean("/tmp/ok"))

是不是很酷。

修改閉包的序列化方式

Spark的任務(wù)調(diào)度開銷非常大。對(duì)于一個(gè)復(fù)雜的任務(wù)，業(yè)務(wù)邏輯代碼執(zhí)行時(shí)間大約是3-7ms,但是整個(gè)spark運(yùn)行的開銷大概是1.3s左右。

經(jīng)過詳細(xì)dig發(fā)現(xiàn)，sparkContext里RDD轉(zhuǎn)化時(shí)，會(huì)對(duì)函數(shù)進(jìn)行clean操作，clean操作的過程中，默認(rèn)會(huì)檢查是不是能序列化(就是序列化一遍，沒拋出異常就算可以序列化)。而序列化成本相當(dāng)高(默認(rèn)使用的JavaSerializer并且對(duì)于函數(shù)和任務(wù)序列化，是不可更改的)，單次序列化耗時(shí)就達(dá)到200ms左右，在local模式下對(duì)其進(jìn)行優(yōu)化，可以減少600ms左右的請(qǐng)求時(shí)間。

當(dāng)然，需要申明的是，這個(gè)是針對(duì)local模式進(jìn)行修改的。那具體怎么做的呢?

我們先看看Spark是怎么調(diào)用序列化函數(shù)的，首先在SparkContext里，clean函數(shù)是這樣的：

private[spark] def clean[F <: AnyRef](f: F, checkSerializable: Boolean = true): F = {     ClosureCleaner.clean(f, checkSerializable)     f   }

調(diào)用的是ClosureCleaner.clean方法，該方法里是這么調(diào)用學(xué)序列化的：

try {       if (SparkEnv.get != null) {         SparkEnv.get.closureSerializer.newInstance().serialize(func)       }     } catch {       case ex: Exception => throw new SparkException("Task not serializable", ex)     }

SparkEnv是在SparkContext初始化的時(shí)候創(chuàng)建的，該對(duì)象里面包含了closureSerializer，該對(duì)象通過new   JavaSerializer創(chuàng)建。既然序列化太慢，又因?yàn)槲覀兤鋵?shí)是在Local模式下，本身是可以不需要序列化的，所以我們這里想辦法把closureSerializer的實(shí)現(xiàn)替換掉。正如我們前面吐槽，因?yàn)樵赟park代碼里寫死了，沒有暴露任何自定義的可能性，所以我們又要魔改一下了。

首先，我們新建一個(gè)SparkEnv的子類：

class WowSparkEnv(                    ....) extends SparkEnv(

接著實(shí)現(xiàn)一個(gè)自定義的Serializer：

class LocalNonOpSerializerInstance(javaD: SerializerInstance) extends SerializerInstance {    private def isClosure(cls: Class[_]): Boolean = {     cls.getName.contains("$anonfun$")   }    override def serialize[T: ClassTag](t: T): ByteBuffer = {     if (isClosure(t.getClass)) {       val uuid = UUID.randomUUID().toString       LocalNonOpSerializerInstance.maps.put(uuid, t.asInstanceOf[AnyRef])       ByteBuffer.wrap(uuid.getBytes())     } else {       javaD.serialize(t)     }    }    override def deserialize[T: ClassTag](bytes: ByteBuffer): T = {     val s = StandardCharsets.UTF_8.decode(bytes).toString()     if (LocalNonOpSerializerInstance.maps.containsKey(s)) {       LocalNonOpSerializerInstance.maps.remove(s).asInstanceOf[T]     } else {       bytes.flip()       javaD.deserialize(bytes)     }    }    override def deserialize[T: ClassTag](bytes: ByteBuffer, loader: ClassLoader): T = {     val s = StandardCharsets.UTF_8.decode(bytes).toString()     if (LocalNonOpSerializerInstance.maps.containsKey(s)) {       LocalNonOpSerializerInstance.maps.remove(s).asInstanceOf[T]     } else {       bytes.flip()       javaD.deserialize(bytes, loader)     }   }    override def serializeStream(s: OutputStream): SerializationStream = {     javaD.serializeStream(s)   }    override def deserializeStream(s: InputStream): DeserializationStream = {     javaD.deserializeStream(s)   }

接著我們需要再封裝一個(gè)LocalNonOpSerializer，

class LocalNonOpSerializer(conf: SparkConf) extends Serializer with Externalizable {   val javaS = new JavaSerializer(conf)    override def newInstance(): SerializerInstance = {     new LocalNonOpSerializerInstance(javaS.newInstance())   }    override def writeExternal(out: ObjectOutput): Unit = Utils.tryOrIOException {     javaS.writeExternal(out)   }    override def readExternal(in: ObjectInput): Unit = Utils.tryOrIOException {     javaS.readExternal(in)   } }

現(xiàn)在，萬事俱備，只欠東風(fēng)了，我們?cè)趺床拍馨堰@些代碼讓Spark運(yùn)行起來。具體做法非常魔幻，實(shí)現(xiàn)一個(gè)enhance類：

def enhanceSparkEnvForAPIService(session: SparkSession) = {       val env = SparkEnv.get    //創(chuàng)建一個(gè)新的WowSparkEnv對(duì)象，然后將里面的Serializer替換成我們自己的LocalNonOpSerializer     val wowEnv = new WowSparkEnv(  .....       new LocalNonOpSerializer(env.conf): Serializer,  ....)     // 將SparkEnv object里的實(shí)例替換成我們的     //WowSparkEnv     SparkEnv.set(wowEnv)   //但是很多地方在SparkContext啟動(dòng)后都已經(jīng)在使用之前就已經(jīng)生成的SparkEnv,我們需要做些調(diào)整 //我們先把之前已經(jīng)啟動(dòng)的LocalSchedulerBackend里的scheduer停掉     val localScheduler = session.sparkContext.schedulerBackend.asInstanceOf[LocalSchedulerBackend]      val scheduler = ReflectHelper.field(localScheduler, "scheduler")      val totalCores = localScheduler.totalCores     localScheduler.stop()    //創(chuàng)建一個(gè)新的LocalSchedulerBackend     val wowLocalSchedulerBackend = new WowLocalSchedulerBackend(session.sparkContext.getConf, scheduler.asInstanceOf[TaskSchedulerImpl], totalCores)     wowLocalSchedulerBackend.start()  //把SparkContext里的_schedulerBackend替換成我們的實(shí)現(xiàn)     ReflectHelper.field(session.sparkContext, "_schedulerBackend", wowLocalSchedulerBackend)   }

看完上述內(nèi)容是否對(duì)您有幫助呢？如果還想對(duì)相關(guān)知識(shí)有進(jìn)一步的了解或閱讀更多相關(guān)文章，請(qǐng)關(guān)注億速云行業(yè)資訊頻道，感謝您對(duì)億速云的支持。