詳解 Spark 中的 Bucketing

• 2020 年 5 月 15 日
• 筆記
• 人工智能，機器學習

什麼是 Bucketing

Bucketing 就是利用 buckets（按列進行分桶）來決定數據分區（partition）的一種優化技術，它可以幫助在計算中避免數據交換（avoid data shuffle）。並行計算的時候shuffle常常會耗費非常多的時間和資源.

Bucketing 的基本原理比較好理解，它會根據你指定的列（可以是一個也可以是多個）計算哈希值，然後具有相同哈希值的數據將會被分到相同的分區。

Bucket和Partition的區別

Bucket的最終目的也是實現分區，但是和Partition的原理不同，當我們根據指定列進行Partition的時候，Spark會根據列的名字對數據進行分區(如果沒有指定列名則會根據一個隨機信息對數據進行分區)。Bucketing的最大不同在於它使用了指定列的哈希值，這樣可以保證具有相同列值的數據被分到相同的分區。

怎麼用 Bucket

按Bucket保存

目前在使用 bucketBy 的時候，必須和 sortBy，saveAsTable 一起使用，如下。這個操作其實是將數據保存到了文件中（如果不指定path，也會保存到一個臨時目錄中）。

df.write
  .bucketBy(10, "name")
  .sortBy("name")
  .mode(SaveMode.Overwrite)
  .option("path","/path/to")
  .saveAsTable("bucketed")

數據分桶保存之後，我們才能使用它。

直接從table讀取

在一個SparkSession內，保存之後你可以通過如下命令通過表名獲取其對應的DataFrame.

val df = spark.table("bucketed")

其中spark是一個SparkSession對象。獲取之後就可以使用DataFrame或者在SQL中使用表。

從已經保存的Parquet文件讀取

如果你要使用歷史保存的數據，那麼就不能用上述方法了，也不能像讀取常規文件一樣使用 spark.read.parquet() ，這種方式讀進來的數據是不帶bucket信息的。正確的方法是利用CREATE TABLE 語句，詳情可用參考 //docs.databricks.com/spark/latest/spark-sql/language-manual/create-table.html

CREATE TABLE [IF NOT EXISTS] [db_name.]table_name
  [(col_name1 col_type1 [COMMENT col_comment1], ...)]
  USING data_source
  [OPTIONS (key1=val1, key2=val2, ...)]
  [PARTITIONED BY (col_name1, col_name2, ...)]
  [CLUSTERED BY (col_name3, col_name4, ...) INTO num_buckets BUCKETS]
  [LOCATION path]
  [COMMENT table_comment]
  [TBLPROPERTIES (key1=val1, key2=val2, ...)]
  [AS select_statement]

示例如下：

spark.sql(
  """
    |CREATE TABLE bucketed
    | (name string)
    |  USING PARQUET
    |  CLUSTERED BY (name) INTO 10 BUCKETS
    |  LOCATION '/path/to'
    |""".stripMargin)

用Buckets的好處

在我們join兩個表的時候，如果兩個表最好按照相同的列劃分成相同的buckets，就可以完全避免shuffle。根據前面所述的hash值計算方法，兩個表具有相同列值的數據會存放在相同的機器上，這樣在進行join操作時就不需要再去和其他機器通訊，直接在本地完成計算即可。假設你有左右兩個表，各有兩個分區，那麼join的時候實際計算就是下圖的樣子，兩個機器進行計算，並且計算後分區還是2.

而當需要shuffle的時候，會是這樣的，

細心的你可能發現了，上面兩個分區對應兩個Executor，下面shuffle之後對應的怎麼成了三個Executor了？沒錯，當數據進行shuffle之後，分區數就不再保持和輸入的數據相同了，實際上也沒有必要保持相同。

本地測試

我們考慮的是大數據表的連接，本地測試的時候一般使用小的表，所以逆序需要將小表自動廣播的配置關掉。如果開啟小表廣播，那麼兩個小表的join之後分區數是不會變的，例如：

關閉配置的命令如下：

spark.conf.set("spark.sql.autoBroadcastJoinThreshold", -1)

正常情況下join之後分區數會發生變化：

這個200其實就是 “spark.sql.shuffle.partitions” 配置的值，默認就是200. 所以如果在Join過程中出現了shuffle，join之後的分區一定會變，並且變成spark.sql.shuffle.partitions的值。通常你需要根據自己的集群資源修改這個值，從而優化並行度，但是shuffle是不可避免的。

左右兩個表Bucket數目不一致時

實際測試結果如下：

Spark依然會利用一些Bucekt的信息，但具體怎麼執行目前還不太清楚，還是保持一致的好。

另外，如果你spark job的可用計算核心數小於Bucket值，那麼從文件中讀取之後Bucekt值會變，就是說bucket的數目不會超過你能使用的最大計算核數。

不要使用的 <=> 符號！！！

在處理null值的時候，我們可能會用到一些特殊的函數或者符號，如下表所示。但是在使用bucket的時候這裡有個坑，一定要躲過。join的時候千萬不要使用 <=> 符號，使用之後spark就會忽略bucket信息，繼續shuffle數據，原因可能和hash計算有關。

原文連接

如果你喜歡我的文章，可以在任一平台搜索【黑客悟理】關注我，非常感謝！