Spark Tungsten揭秘 Day4 内存和CPU优化使用

小程序：扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序

今天聚焦于内存和CPU的优化使用，这是Spark2.0提供的关于执行时的非常大的优化部分。

对过去的代码研究，我们会发现，抽象的提高，转过来会变成对CPU和内存的使用。也就是说，抽象提升，会对内存对Cpu会有很多不必要的使用，执行很多无谓的没有实际作用的操作。比如面向接口调用，就是使用了指针的指针，接口这层并没有实际的作用，可以直接跳过。

Spark2.x的Tungsten中做了个非常重要的改进，也就是whole-stage code，把抽象的使用直接合并到具体的函数上。

具体来说，Tungsten引擎会看哪些部分运行比较慢，会把这些比较慢的功能，代码单独放在一个函数中，消除虚函数调用，同时，将数据放在寄存器中，这样就减少CPU无谓的消耗，访问速度更快。

比如对RDD执行next方法，RDD是一个抽象类，存在虚函数寻址的过程，会消耗CPU，另外一方面作为next访问每条记录都会调用一次方法，开销还是比较大的。

Spark2.x的作用就是按照自己的逻辑翻译成数据集合的for/while循环，把多次函数调用变成了一个代码块，极大的提升效率。

一方面，没有接口和虚函数的调用。面向对象极大的方便编写工程，但是造成了很大的浪费。CPU也有执行优化的方式，如果是while或者if判断的话，CPU对这种代码的执行比其他代码要快。
另外，CPU操作数据的时候，操作内存比操作磁盘更快，操作寄存器比操作内存更快。

刚才说的是循环来源问题，还有一种情况的问题。

当数据来源或者数据结构比较复杂，比如采用parquet数据，有个编解码的过程，会有非常大的开销。

这个时候会采用向量化的方式vectorization，类似于构成了一个矩阵，假设处理很复杂的话，这时候可以一批一批进行处理，类似于用mapPartitions替代map。以对parquet进行批量解码为例，性能可以提升5-10倍。

但是要做到优化，Spark首先要对代码进行分析，所以所有的子框架都使用到了Tungsten。目前已经完成了on-heap/off-heap、Register/Memory、Cpu的优化，官方主要下一步会对IO操作进一步优化。

DT大数据每天晚上20：00YY频道现场授课频道68917580