SparkSql oom原因以及参数调优+数据倾斜解决方案

1、Spark历史版本对比

spark1 vs spark2 vs spark3

1、spark1引入内存计算的理念，解决中间结果落盘导致的效率低下。在理想状况下性能可达到MR的100倍。虽然提高了一定的计算效率，但也带来了大量的内存管理问题，典型的如内存oom问题频发。

2、spark2引入了Tungsten引擎，关键算子效率上比Spark1提升了10倍。启用“统一内存管理”，不再使用“静态内存管理”，不再使用“静态内存管理”，oom问题大幅下降

3、spark3启用自适应查询（Adaptive Query Execution）

1.动态合并shuffle partitions

可以简化甚至避免调整shuffle分区的数量。用户可以在开始时设置相对较多的shuffle分区数，AQE会在运行时将相邻的小分区合并为较大的分区。
2.动态调整join策略

在一定程度上避免由于缺少统计信息或着错误估计大小（当然也可能两种情况同时存在），而导致执行次优计划的情况。这种自适应优化可以在运行时sort merge join转换成broadcast hash join，从而进一步提升性能
3.动态优化倾斜的join（skew joins）

skew joins可能导致负载的极端不平衡，并严重降低性能。在AQE从shuffle文件统计信息中检测到任何倾斜后，它可以将倾斜的分区分割成更小的分区，并将它们与另一侧的相应分区连接起来。这种优化可以并行化倾斜处理，获得更好的整体性能。

Spark内存管理：https://zhuanlan.zhihu.com/p/642722131?utm_id=0

2、SparkSql oom的因素

sparksql oom的因素是多样的，一个程序，从输入、处理2个方面进行考量

2.1 输入数据因素

1、文件格式&压缩

目前我司新建表默认使用parquet格式

对于snappy压缩，hivesql参考表的“parquet.compression”属性决定是否压缩，采用什么压缩方法，sparksql遇到parquet表默认snappy压缩。

parquet相比于text、csv格式普遍有3-4倍的压缩比
snappy相比于非压缩普遍有3-4倍的压缩比
parquet+snappy相比于原始的text、csv达到6-8倍的压缩比，甚至更高

2、数据文件的大小

数仓集群默认的文件大小是256M，大数据是分布式计算，普遍存在倾斜不均的情形，加之程序自身的控制，造成了数据文件的大小不一。

尽管spark有输入数据的拆分能力，但扔存在拆分不均匀的可能。例如：原始文件的大小为300M，将拆分为256M+44M 2个文件，他们的数据规模相差5.8倍。按照1个task处理一个文件的设定，分得256M文件的task将更容易出现oom

3、数据的型态分布

如字段中包含大量的null、枚举字段大量的相同值等，parquet+snappy将导致实际压缩比进一步提升。

4、大字段如xml，json

string字段类型，如其中存储的是xml、json等字段（字符长度达千、万字符数级的称为大字段），parquet+snappy导致实际压缩比进一步提升

2.2 运行环境因素

环境因素也是oom的重要原因，表现在spark默认参数、yarn集群稳定性

1、spark默认参数

定义在集群的spark.defaults中，每一个提交到集群的spark作业都默认使用这套参数。影响oom的主要参数：

spark.executor.cores=4 --executor 4cpu，可并行运行4 task
spark.executor.memory=12g --executor 12g内存，task间共享（不建议调整）
spark.executor.memoryOverhead=2g --executor 2g堆外内存，task间共享（不建议调整）
spark.sql.files.maxPartitionBytes=268435456(256m) --读取数据文件时，单个partition或task最大256m、文件超过256m即拆分
spark.sql.adaptive.coalescePartitions.initialPartitionNum=none --aqe动态计算shuffle阶段partitions的最大值，none时向下取spark.sql.shuffle.partitions
spark.sql.shuffle.partitions=400 --shuffle阶段最大400个partition，数据规模很大建议调整

在spark ui 中可以观察任务的具体参数值

2、yarn集群稳定性

yarn集群稳定性包括yarn资源调度、yarn节点负载高低等。

3、Spark sql的参数调优

1、input阶段

input阶段将表或数据文件加载到executor，先进行解压（如果有，比如snappy）、展开（比如parquet、orc格式），这些都是在内存中进行，内存不足时是不可溢写磁盘的。

数据文件（拆分后大小差异导致oom）

数据文件（拆分后）大小相似，大JSON字段、高压缩比导致oom

2、shuffle阶段

当sql出现出现distinct join、groupby等关键字时，spark需要进行shuffle操作。shuffle操作将前一个或多个阶段的分片数据拉取到同一个excutor进行聚合处理（即我们通常说的reduce），如shuffle partition或者说task数过小，oom是大概率时间。

shuffle阶段概要：多少个task执行读/写操作

shuffle阶段详情：读/写是否均匀、是否倾斜

3.1 参数调优

目前executor默认配置的是12G+2G内存、4核CPU，最大可以有4个task同时并行（每颗CPU执行一个task），这4个task共享14G内存。日常调优可以如下：

1、spark.executors.cores

不论在哪个阶段发生oom，降低executor的负载总是可行的。可调整spark.executor.cores=2，即单个executor同时执行2个task，这样每个task大约可使用7G内存。

2、spark.sql.adaptive.coalescePartitions.initialPartitionNum/spark.sql.shuffle.partitions

shuffle阶段的oom，说明shuffle partitions数比较小，导致上阶段的“大规模数据”在本阶段“更聚集”。可调整该参数为更大的值，使大规模数据更分散。

spark1，没有spark.sql.adaptive.coalescePartitions.initialPartitionNum参数，固定partitions值为400，调大会造成碎片化
spark2，没有spark.sql.adaptive.coalescePartitions.initialPartitionNum参数，可调整spark.sql.shuffle.partitions（配合AQE效果不错）
spark3，优先调整spark.sql.adaptive.coalescePartitions.initialPartitionNumtions（是AQE的系列参数之一，默认none时向下取spark.sql.shuffle.partitions）

*注意：更大的shuffle partitions数固然能减轻shuffle阶段的oom概率，但需要向集群申请更多的服务器资源，不可无限调大（建议控制在2000以内）

方案实现原理：增加shuffle read task的数量，可以让原本分配给一个task的多个key分配给多个task，从而让每个task处理比原来更少的数据。举例来说，如果原本有5个 key，每个key对应10条数据，这5个key都是分配给一个task的，那么这个task就要处理50条数据。而增加了shuffle read task以后，每个task就分配到一个key，即每个task就处理10条数据，那么自然每个task的执行时间都会变短了。

3、spark.sql.files.maxPartitionBytes

对于input阶段出现的oom，通常原因是输入数据的超高压缩比，如：json、xml大字段、null值占比高、枚举字段多等。

spark.executor.cores值仍不起作用时，可逐步调小spark.sql.files.maxPartitionBytes=134217728（128m）/67108864（64m）

调小spark.executor.cores、spark.sql.files.maxPartitionBytes值的本质都是减小executor的负载，spark.executor.cores减少了task的并行度，而spark.sql.files.maxPartitionBytes减小了单个task处理的数据规模。所以：

优先调整spark.executor.cores，验证是否扔有oom
确认不起作用后，再调整spark.sql.files.maxPartitionBytes，此时建议恢复spark.executor.cores的值（如不恢复，相当于2*2=4倍的负载降低、对于单executor14g的内存资源是巨大浪费）

*注意：spark.sql.files.maxPartitionBytes不建议调得过小（比如32m、16m），过小需要向集群申请更多executor及计算资源、集群负载增大，也可能导致数据文件碎片化