Hive 和 Spark 分區策略剖析

作者：vivo 互聯網搜索團隊- Deng Jie

隨着技術的不斷的發展，大數據領域對於海量數據的存儲和處理的技術框架越來越多。在離線數據處理生態系統最具代表性的分佈式處理引擎當屬Hive和Spark，它們在分區策略方面有着一些相似之處，但也存在一些不同之處。

一、概述

隨着技術的不斷的發展，大數據領域對於海量數據的存儲和處理的技術框架越來越多。在離線數據處理生態系統最具代表性的分佈式處理引擎當屬Hive和Spark，它們在分區策略方面有着一些相似之處，但也存在一些不同之處。本篇文章將分析Hive與Spark分區策略的異同點、它們各自的優缺點，以及一些優化措施。

二、Hive和Spark分區概念

在瞭解Hive和Spark分區內容之前，首先，我們先來回顧一下Hive和Spark的分區概念。在Hive中，分區是指將表中的數據劃分爲不同的目錄或者子目錄，這些目錄或子目錄的名稱通常與表的列名相關聯。比如，一個名爲“t_orders_name”的表可以按照日期分爲多個目錄，每個目錄名稱對應一個日期值。這樣做的好處是可以大大提高查詢效率，因爲只有涉及到特定日期的查詢才需要掃描對應的目錄，而不需要去掃描整個表。Spark的分區概念與Hive類似，但是有一些不同之處，我們將在後文中進行討論。

在Hive中，分區可以基於多個列進行，這些列的值組合形成目錄名稱。例如，如果我們將“t_orders_name”表按照日期和地區分區，那麼目錄的名稱將包含日期和地區值的組合。在Hive中，數據存儲在分區的目錄下，而不是存儲在表的目錄下。這使得Hive可以快速訪問需要的數據，而不必掃描整個表。另外，Hive的分區概念也可以用於數據分桶，分桶是將表中的數據劃分爲固定數量的桶，每個桶包含相同的行。

而與Hive不同的是，Spark的分區是將數據分成小塊以便並行計算處理。在Spark中，分區的數量由Spark執行引擎根據數據大小和硬件資源自動計算得出。Spark的分區數越多，可以並行處理的數據也就越多，因此也能更快的完成計算任務。但是，如果分區數太多，將會導致過多的任務調度和數據傳輸開銷，從而降低整體的性能。因此，Spark分區數的選擇應該考慮數據大小、硬件資源和計算任務複雜度等因素。

三、Hive和Spark分區的應用場景

在瞭解Hive和Spark的分區概念之後，接下來，我們來看看Hive和Spark分區在不同的應用場景中有哪些不同的優勢。

3.1 Hive分區

Hive分區適用於大數據場景，可以對數據進行多級分區，以便更細粒度地劃分數據，提高查詢效率。例如，在遊戲平臺的充值數據中，可以按照道具購買日期、道具付款狀態、遊戲用戶ID等多個維度進行分區。這樣可以方便的進行數據統計、分析和查詢操作，同時避免單一分區數據過大導致的性能問題。

3.2 Spark分區

Spark分區適用於大規模數據處理場景，可以充分利用集羣資源進行並行計算處理。比如，在機器學習算法的訓練過程中，可以將大量數據進行分區，然後並行處理每個分區的數據，從而提高算法的訓練速度和效率。另外，Spark的分佈式計算引擎也可以支持在多個節點上進行數據分區和計算，從而提高整個集羣的計算能力和效率。

簡而言之，Hive和Spark分區在大數據處理和分佈式計算場景這都有廣泛的應用，可以通過選擇合適的分區策略和優化措施，進一步提高數據處理的效率和性能。

四、如何選擇分區策略

在熟悉了Hive和Spark的分區概念以及應用場景後。接下來，我們來看看在Hive和Spark中如何選擇分區策略。分區策略的選擇對數據處理的效率和性能有着重要的影響。下面將分別闡述Hive和Spark分區策略的優缺點以及如何選擇分區策略。

4.1 Hive分區策略

優點：

Hive的分區策略可以提高查詢效率和數據處理性能，特別是在大數據集上表現突出。另外，Hive還支持多級分區，允許更細粒度的數據劃分。

缺點：

在Hive中，分區是以目錄的形式存在的，這會導致大量的目錄和子目錄，如果分區過多，將會佔用過多的存儲空間。此外，Hive的分區策略需要在創建表時進行設置，如果數據分佈出現變化，需要重新設置分區策略。

4.2 Spark分區策略

優點：

Spark的分區策略可以根據數據大小和硬件資源自動計算分區數，這使得計算任務可以並行計算處理，從而提高了處理效率和性能。

缺點：

如果分區數設置不當，將會導致過多的任務調度和數據傳輸開銷，從而影響整體性能。此外，Spark的分區策略也需要根據數據大小、硬件資源和計算任務複雜度等因素進行調整。

4.3 分區策略選擇

在實際項目開發使用中，選擇合適的分區策略可以顯著提高數據處理的效率和性能。但是，如何選擇分區策略需要根據具體情況進行考慮，這裏總結了一些分區策略選擇的場景：

數據集大小：如果數據集較大，可以考慮使用Hive的多級劃分策略，以便更細粒度的劃分數據，提高查詢效率。如果數據集較小，可以使用Spark自動計算分區策略，以便充分利用硬件資源並提高計算效率。

計算任務複雜度：如果計算任務比較複雜，例如需要進行多個JOIN操作，可以使用Hive的分桶策略，以便加快數據訪問速度，減少JOIN操作的開銷。

硬件資源：分區策略的選擇也需要考慮硬件資源的限制。如果硬件資源比較充足，可以增加分區數以提高計算效率。如果硬件資源比較緊張，需要減少分區數以避免任務調度和數據傳輸的開銷。

綜上所述，選擇合適的分區策略需要根據具體的情況進行考慮，包括數據集大小、計算任務複雜度和硬件資源等因素。在實際使用中，可以通過實驗和調試來找到最佳的分區策略。

五、如何優化分區性能

除了選擇合適的分區策略之外，還可以通過一些優化措施來進一步提高分區的性能。在Spark中，大多數的Spark任務可以通過三個階段來表述，它們分別是讀取輸入數據、使用Spark處理、保持輸出數據。Spark雖然實際數據處理主要發生在內存中，但是Spark使用的是存儲在HDFS上的數據來作爲輸入和輸出，任務的調度執行會使用大量的 I/O，存在性能瓶頸。

而Hive分區數據是存儲在HDFS上的，然而HDFS對於大量小文件支持不太友好，因爲在每個NameNode內存中每個文件大概有150字節的存儲開銷，而整個HDFS集羣的IOPS數量是有上限的。當文件寫入達到峯值時，會對HDFS集羣的基礎架構的某些部分產生性能瓶頸。

5.1 通過減少 I/O 帶寬來優化性能

在Hadoop集羣中，它依靠大規模並行 I/O 來支持數千個併發任務。比如現有一個大小爲96TB的數據節點，磁盤的大小有兩種，它們分別是8TB和16TB。具有8TB磁盤的數據節點有12塊這樣的磁盤，而具有16TB磁盤的數據節點有6塊這樣的磁盤。我們可以假設每個磁盤的平均讀寫吞吐量約爲100MB/s，而這兩種不同的磁盤分佈，它們對應的帶寬和IOPS，具體詳情如下表所示：

5.2 通過設置參數來優化性能

在Hadoop集羣中，每個數據節點爲每個卷運行一個卷掃描器，用於掃描塊的狀態。由於卷掃描器與應用程序競爭磁盤資源，因此限制其磁盤帶寬很重要。配置 dfs.block.scanner.volume.bytes.per.second 屬性值來定義卷掃描器每秒可以掃描的字節數，默認爲1MB/s。

比如設置帶寬爲5MB/s，掃描12TB所需要的時間爲

12TB / 5MBps = (12 * 1024 * 1024 / (3600 * 24)) = 29.13天。

5.3 通過優化Spark處理分區任務來提升性能

假如，現在需要重新計算曆史分區的數據表，這種場景通常用於修復錯誤或者數據質量問題。在處理包含一年數據的大型數據集（比如1TB以上）時，可能會將數據分成幾千個Spark分區來進行處理。雖然，從表面上看，這種處理方法並不是最合適的，使用動態分區並將數據結果寫入按照日期分區的Hive表中將產生多達上百萬個文件。

下面，我們將任務分區數縮小，現有一個包含3個分區的Spark任務，並且想將數據寫入到包含3個分區的Hive表。在這種情況下，希望發送的是將3個文件寫入到HDFS中，所有數據都存儲在每個分區的單個文件中。最終會生成9個文件，並且每個文件都有1個記錄。使用動態分區寫入Hive表時，每個Spark分區都由執行程序來並行處理。

處理Spark分區數據時，每次執行程序在給定的Spark分區中遇到新的分區時，它都會打開一個新文件。默認情況下，Spark對數據會使用Hash或者Round Robin分區器。當應用於任意數據時，可以假設這兩種方法在整個Spark分區中相對均勻且隨機分佈數據。如下圖所示：

理想情況下，目標文件大小應該大約是HDFS塊大小的倍數，默認情況下是128MB。在Hive中，提供了一些配置參數來自動將結果寫入到合理大小的文件中，從開發者的角度來看幾乎是透明的，比如設置屬性 hive.merge.smallfiles.avgsize 和

hive.merge.size.per.task 。但是，Spark中不存在此類功能，因此，我們需要自己開發實現，來確定一個數據集，應該寫入多少文件。

5.3.1 基於大小的計算

理論上，這是最直接的方法，設置目標大小，估算數據的大小，然後進行劃分。但是，在很多情況下，文件被寫入磁盤時會進行壓縮，並且其格式與存儲在 Java 堆中的記錄格式有所不同。這意味着估算寫入磁盤時內存的記錄大小不是一件容易的事情。雖然可以使用 Spark SizeEstimator應用程序通過內存中的數據的大小進行估算。但是，SizeEstimator會考慮數據幀、數據集的內部消耗，以及數據的大小。總體來說，這種方式不太容易準確實現。

5.3.2 基於行數的計算

這種方法是設置目標行數，計算數據集的大小，然後執行除法來估算目標。我們的目標行數可以通過多種方式確定，或者通過爲所有數據集選擇一個靜態數字，或者通過確定磁盤上單個記錄的大小並執行必要的計算。哪種方式最優，取決於你的數據集數量及其複雜性。計算相對來說成本較低，但是需要在計算前緩存以避免重新計算數據集。

5.3.3 靜態文件計算

最簡單的解決方案是，只要求開發者在每個寫入任務的基礎上，告訴Spark總共應該寫入多少個文件。這種方式需要給開發者一些其他方法來獲取具體的數字，可以通過這種方式來替代昂貴的計算。

5.4. 優化Spark分發數據方式來提升性能

即使我們知道了如何將文件寫入磁盤，但是，我們仍須讓Spark以符合實際的方式來構建我們的分區。在Spark中，它提供了許多工具來確定數據在整個分區中的分佈方式。但是，各種功能中隱藏着很多複雜性，在某些情況下，它們的含義並不明顯，下面將介紹Spark提供的一些選項來控制Spark輸出文件的數量。

5.4.1 合併

Spark Coalesce是一個特殊版本的重新分區，它只允許減少總的分區，但是不需要完全的Shuffle，因此比重新分區要快得多。它通過有效的合併分區來實現這一點。如下圖所示：

Coalesce在某些情況下看起來是不錯的，但是也有一些問題。首先，Coalesce有一個難以使用的行爲，以一個非常基礎的Spark應用程序爲例，代碼如下所示：

Spark

load().map(…).filter(…).save()

比如，設置的並行度爲1000，但是最終只想寫入10個文件，可以設置如下：

Spark

load().map(…).filter(…).coalesce(10).save()

但是，Spark會盡可能早的有效的將合併操作下推，因此這將執行爲如下代碼：

Spark

load().coalesce(10).map(…).filter(…).save()

有效的解決這種問題的方法是在轉換和合並之間強制執行，代碼如下所示：

Spark

val df = load().map(…).filter(…).cache()df.count()df.coalesce(10)

在Spark中，緩存是必須的，否則，你將不得不重新計算數據，這可能會重新消耗計算資源。然後，緩存是需要消費一定資源的，如果你的數據集無法放入內存中，或者無法釋放內存，將數據有效的存儲在內存中兩次，那麼必須使用磁盤緩存，這有其自身的侷限性和顯著的性能損失。

此外，正如我們看到的，通常需要執行Shuffle來獲得我們想要的更復雜的數據集結果。因此，Coalesce僅適用於特定的情況，比如如下場景：

• 保證只寫入一個Hive分區；

• 目標文件數少於你用於處理數據的Spark分區數；

• 有充足的緩存資源。

5.4.2 簡單重新分區

在Spark中，一個簡單的重新分區，可以通過設置參數來實現，比如df.repartition(100)。在這種情況下，使用循環分區器，這意味着唯一的保證是輸出數據具有大致相同大小的Spark分區，這種分區僅適用於以下情況：

• 保證只需要寫入一個Hive分區；

• 正在寫入的文件數大於你的Spark分區數，或者由於某些原因你無法使用合併。

5.4.3 按列重新分區

按列重新分區接收目標Spark分區計數，以及要重新分區的列序列，例如，df.repartition(100,$"date")。這對於強制要求Spark將具有相同鍵的數據，分發到同一個分區很有用。一般來說，這對許多Spark操作（比如JOIN）很有用。

按列重新分區使用HashPartitioner，將具有相同值的數據，分發給同一個分區，實際上，它將執行以下操作：

但是，這種方法只有在每個分區鍵都可以安全的寫入到一個文件時纔有效。這是因爲無論有多少特定的Hash值，它們最終都會在同一個分區中。按列重新分區僅在你寫入一個或者多個小的Hive分區時纔有效。在任何其他情況下，它都是無效的，因爲每個Hive分區最終都會生成一個文件，僅適用於最小的數據集。

5.4.4 按具有隨機因子的列重新分區

我們可以通過添加約束的隨機因子來按列修改重新分區，具體代碼如下：

Spark

df.withColumn("rand", rand() % filesPerPartitionKey).repartition(100, $"key", $"rand")

理論上，只要滿足以下條件，這種方法應該會產生排序規則的數據和大小均勻的文件：

• Hive分區的大小大致相同；

• 知道每個Hive分區的目標文件數並且可以在運行時對其進行編碼。

但是，即使我們滿足上述這些條件，還有另外一個問題：散列衝突。假設，現在正在處理一年的數據，日期作爲分區的唯一鍵。如果每個分區需要5個文件，可以執行如下代碼操作：

Spark

df.withColumn("rand", rand() % 5).repartition(5*365, $"date", $"rand")

在後臺，Scala將構造一個包含日期和隨機因子的鍵，例如（,<0-4>）。然後，如果我們查看HashPartitioner代碼，可以發現它將執行以下操作：

Spark

class HashPartitioner(partitions: Int) extends Partitioner {    def getPartition(key: Any): Int = key match {        case null => 0        case _ => Utils.nonNegativeMod(key.hashCode, numPartitions)    }}

實際上，這裏面所做的事情，就是獲取關鍵元組的散列，然後使用目標數量的Spark分區獲取它的mod。我們可以分析一下在這種情況下我們的數據將如何實現分佈，具體代碼如下：

Spark

import java.time.LocalDate def hashCodeTuple(one: String, two: Int, mod: Int): Int = { val rawMod = (one, two).hashCode % mod rawMod + (if (rawMod < 0) mod else 0)}def hashCodeSeq(one: String, two: Int, mod: Int): Int = { val rawMod = Seq(one, two).hashCode % mod rawMod + (if (rawMod < 0) mod else 0)} def iteration(numberDS: Int, filesPerPartition: Int): (Double, Double, Double) = {  val hashedRandKeys = (0 to numberDS - 1).map(x => LocalDate.of(2019, 1, 1).plusDays(x)).flatMap(    x => (0 to filesPerPartition - 1).map(y => hashCodeTuple(x.toString, y, filesPerPartition*numberDS))  )   hashedRandKeys.size // Number of unique keys, with the random factor   val groupedHashedKeys = hashedRandKeys.groupBy(identity).view.mapValues(_.size).toSeq   groupedHashedKeys.size // number of actual sPartitions used   val sortedKeyCollisions = groupedHashedKeys.filter(_._2 != 1).sortBy(_._2).reverse     val sortedSevereKeyCollisions = groupedHashedKeys.filter(_._2 > 2).sortBy(_._2).reverse   sortedKeyCollisions.size // number of sPartitions with a hashing collision   // (collisions, occurences)  val collisionCounts = sortedKeyCollisions.map(_._2).groupBy(identity).view.mapValues(_.size).toSeq.sortBy(_._2).reverse     (    groupedHashedKeys.size.toDouble / hashedRandKeys.size.toDouble,    sortedKeyCollisions.size.toDouble / groupedHashedKeys.size.toDouble,  sortedSevereKeyCollisions.size.toDouble / groupedHashedKeys.size.toDouble  )} val results = Seq(  iteration(365, 1),  iteration(365, 5),  iteration(365, 10),  iteration(365, 100),  iteration(365 * 2, 100),  iteration(365 * 5, 100),  iteration(365 * 10, 100)) val avgEfficiency = results.map(_._1).sum / results.lengthval avgCollisionRate = results.map(_._2).sum / results.lengthval avgSevereCollisionRate = results.map(_._3).sum / results.length (avgEfficiency, avgCollisionRate, avgSevereCollisionRate) // 63.2%, 42%, 12.6%

上面的腳本計算了3個數量：

• 效率：非空的Spark分區與輸出文件數量的比率；

• 碰撞率：(date,rand)的Hash值發送衝突的Spark分區的百分比；

• 嚴重衝突率：同上，但是此鍵上的衝突次數爲3或者更多。

衝突很重要，因爲它們意味着我們的Spark分區包含多個唯一的分區鍵，而我們預計每個Spark分區只有1個。我們從分析的結果可知，我們使用了63%的執行器，並且可能會出現嚴重的偏差，我們將近一半的執行正在處理比預期多2到3倍或者在某些情況下高達8倍的數據。

現在，有一個解決方法，即分區縮放。在之前示例中，輸出的Spark分區數量等於預期的總文件數。如果將N個對象隨機分配給N個插槽，可以預期會有多個插槽包含多個對象，並且有幾個空插槽。因此，需要解決此問題，必須要降低對象與插槽的比率。

我們通過縮放輸出分區計數來實現這一點，通過將輸出Spark分區數乘以一個大因子，類似於：

Spark

df.withColumn("rand", rand() % 5).repartition(5*365*SCALING_FACTOR, $"date", $"rand")

具體分析代碼如下所示：

Spark

import java.time.LocalDate def hashCodeTuple(one: String, two: Int, mod: Int): Int = { val rawMod = (one, two).hashCode % mod rawMod + (if (rawMod < 0) mod else 0)} def hashCodeSeq(one: String, two: Int, mod: Int): Int = { val rawMod = Seq(one, two).hashCode % mod rawMod + (if (rawMod < 0) mod else 0)} def iteration(numberDS: Int, filesPerPartition: Int, partitionFactor: Int = 1): (Double, Double, Double, Double) = {  val partitionCount = filesPerPartition*numberDS * partitionFactor  val hashedRandKeys = (0 to numberDS - 1).map(x => LocalDate.of(2019, 1, 1).plusDays(x)).flatMap(    x => (0 to filesPerPartition - 1).map(y => hashCodeTuple(x.toString, y, partitionCount))  )     hashedRandKeys.size // Number of unique keys, with the random factor   val groupedHashedKeys = hashedRandKeys.groupBy(identity).view.mapValues(_.size).toSeq   groupedHashedKeys.size // number of unique hashes - and thus, sPartitions with > 0 records     val sortedKeyCollisions = groupedHashedKeys.filter(_._2 != 1).sortBy(_._2).reverse     val sortedSevereKeyCollisions = groupedHashedKeys.filter(_._2 > 2).sortBy(_._2).reverse   sortedKeyCollisions.size // number of sPartitions with a hashing collision   // (collisions, occurences)  val collisionCounts = sortedKeyCollisions.map(_._2).groupBy(identity).view.mapValues(_.size).toSeq.sortBy(_._2).reverse     (    groupedHashedKeys.size.toDouble / partitionCount,    groupedHashedKeys.size.toDouble / hashedRandKeys.size.toDouble,    sortedKeyCollisions.size.toDouble / groupedHashedKeys.size.toDouble,    sortedSevereKeyCollisions.size.toDouble / groupedHashedKeys.size.toDouble  )} // With a scale factor of 1val results = Seq(  iteration(365, 1),  iteration(365, 5),  iteration(365, 10),  iteration(365, 100),  iteration(365 * 2, 100),  iteration(365 * 5, 100),  iteration(365 * 10, 100)) val avgEfficiency = results.map(_._2).sum / results.length // What is the ratio of executors / output filesval avgCollisionRate = results.map(_._3).sum / results.length // What is the average collision rateval avgSevereCollisionRate = results.map(_._4).sum / results.length // What is the average collision rate where 3 or more hashes collide (avgEfficiency, avgCollisionRate, avgSevereCollisionRate) // 63.2% Efficiency, 42% collision rate, 12.6% severe collision rate iteration(365, 5, 2) // 37.7% partitions in-use, 77.4% Efficiency, 24.4% collision rate, 4.2% severe collision rateiteration(365, 5, 5)iteration(365, 5, 10)iteration(365, 5, 100)

隨着我們的比例因子接近無窮大，碰撞很快接近於0，效率接近100%。但是，這會產生另外一個問題，即大量Spark分區輸出將爲空。同時這些空的Spark分區也會帶來一些資源開銷，增加Driver的內存大小，會使我們更容易遇到，由於異常錯誤而導致分區鍵空間意外增大的問題。

這裏的一個常見方法，是在使用這種方法時不顯示設置分區（默認並行度和縮放），如果不提供分區計數，則依賴Spark默認的spark.default.parallelism值。雖然，通常並行度自然高於總輸出文件數（因此，隱式提供大於1 的縮放因子）。如果滿足以下條件，這種方式依然是一種有效的方法：

• Hive分區的文件數大致相等；

• 可以確定平均分區文件數應該是多少；

• 大致知道唯一分區鍵的總數。

5.4.5 按範圍重新分區

按範圍重新分區是一個特列，它不使用RoundRobin和Hash Partitioner，而是使用一種特殊的方法，叫做Range Partitioner。

範圍分區器根據某些給定鍵的順序在Spark分區之間進行拆分行，但是，它不僅僅是全局排序，而且還擁有以下特性：

• 具有相同散列的所有記錄將在同一個分區中結束；
  

• 所有Spark分區都將有一個最小值和最大值與之關聯；

• 最小值和最大值將通過使用採樣來檢測關鍵頻率和範圍來確定，分區邊界將根據這些估計值進行初始設置；

• 分區的大小不能保證完全相等，它們的相等性基於樣本的準確性，因此，預測的每個Spark分區的最小值和最大值，分區將根據需要增大或縮小來保證前兩個條件。

總而言之，範圍分區將導致Spark創建與請求的Spark分區數量相等的Bucket數量，然後它將這些Bucket映射到指定分區鍵的範圍。例如，如果你的分區鍵是日期，則範圍可能是（最小值2022-01-01，最大值2023-01-01）。然後，對於每條記錄，將記錄的分區鍵與存儲Bucket的最小值和最大值進行比較，並相應的進行分配。如下圖所示：

六、總結

在選擇分區策略時，需要根據具體的應用場景和需求進行選擇。常見的分區策略包括按照時間、地域、用戶ID等多個維度進行分區。在應用分區策略時，還可以通過一些優化措施來進一步提高分區的性能和效率，例如合理設置分區數、避免過多的分區列、減少重複數據等。

總之，分區是大數據處理和分佈式計算中非常重要的技術，可以幫助我們更好的管理和處理大規模的數據，提高數據處理的效率和性能，進而幫助我們更好的應對數據分析和業務應用的挑戰。

參考：

1. https://github.com/apache/spark

2. https://github.com/apache/hive

3. https://spark.apache.org/

4. https://hive.apache.org/

END

猜你喜歡

• 用戶行爲分析模型實踐（三）——H5通用分析模型

• 從0到1設計通用數據大屏搭建平臺

本文分享自微信公衆號 - vivo互聯網技術（vivoVMIC）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。