分享 | Spark Skew Join的原理与优化
Posted eBay技术荟
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了分享 | Spark Skew Join的原理与优化相关的知识，希望对你有一定的参考价值。
作者 | 王刚
导读
Carmel是eBay内
部基于Apache Spark打造的一款SQL-on-Hadoop查询引擎。我们通过对Apache Spark的改进，为用户提供了一套高可用高性能的服务，用以满足eBay内部大量的分析型查询需求，如今单日查询量已接近
25万
。
在生产中，我们发现制约查询执行性能的一个重要因素是data skew（数据倾斜），Spark在3.0的版本中引入了skew join，用来解决在join过程中出现的data skew问题。但由于其所能覆盖的场景有限，我们对其做了一系列的扩展和改进，从而解决更多我们线上遇到的data skew问题。本文就Spark skew join进行介绍，包括skew join的原理与实现，并重点介绍我们在skew join之上所做的优化。
在一个分布式查询引擎中，对于aggregation（为了方便介绍，本文提到的aggregation都特指group by之后做的聚合）、 join等一些操作，引擎通常需要保证在执行的过程中具有相同key的数据汇集到同一个处理单元内进行处理。在Spark中，这一过程通常是通过shuffle（包括shuffle write和shuffle read）来完成的， shuffle对应的physical operator是ShuffleExchangeExec。那么Spark是如何决定应该为哪些operator加上ShuffleExchangeExec的呢？
requiredChildDistribution
每个physical operator都实现了requiredChildDistribution方法，以获得一个Distribution的实例，用于表示
operator对其input数据分布情况的要求。
举例来说，对于HashAggregateExec（ aggregation对应的physical operator，也可能是SortAggregateExec，这里我们拿HashAggregateExec举例），其执行的前提是“所有具有相同aggregation key的record放到同一个处理单元中”（为了方便介绍，本文我们暂不考虑partital aggregation）。在Spark中，这样的处理单元就是RDD的一个partition，因此也就是要满足“所有group by 的column具有相同value的record被分配到RDD的同一个partition中”。而这样的数据分布规律有一个专门的类来表示ClusteredDistribution。
ClusteredDistribution表示的数据分布情况是“在一个RDD中，所有具有相同key的record被分配在同一个partition内”。
HashAggregateExec的requiredChildDistribution就是ClusteredDistribution。
再看join，拿sort merge join举例，其对应的physical operator是SortMergeJoinExec。在Spark的实现里，SortMergeJoinExec的实现简单来说就是把join两边的RDD中具有相同id的partition zip到一起进行关联。前文提到，ClusteredDistribution保证的是具有相同key的record能聚集到同一个partition中，但对join来说这样还不够。如图1所示，在RDD1中假设join key为1的record分配到了partition 0，那么如果RDD1和RDD2要进行join，则RDD2中所有join key为1的record也必须分配到partition 0中。Spark通过在左右两边的shuffle中使用相同的hash函数和shuffle partition number来保证这一点。因此，SortMergeJoinExec对join两边的requiredChildDistribution就不是ClusteredDistribution，而是HashClusteredDistribution。
HashClusteredDistribution不仅保证具有相同key的record被分配到同一个partition内，而且保证了对每一个key分配到的partition id也都是确定的。
同时，每个physical operatior还实现了outputPartitioning接口，以获得一个Partitioning的实例，用于表示
operator输出数据满足的分布情况。
举例来说，对于ShuffleExchangeExec，其主要的目的是按照input数据的shuffle key的hash值进行分桶，经过ShuffleExchangeExec后，具有相同hash值的record会聚集到具有相同id的桶里，也就是同一个shuffle partition中。Spark把这样的分布情况叫做HashPartitioning。因此ShuffleExchangeExec的outputPartitioning就是HashPartitioning。而像HashAggregateExec这样的operator，由于其本身并不会改变input数据的分布情况，其outputPartitioning就是其input operator的outputPartitioning。
决定应该为哪些operator加上ShuffleExchangeExec的逻辑都是在rule EnsureRequirements里完成的。一个physical plan在Spark中用一个tree来表示，每一个physical operator都对应tree上的一个节点。EnsureRequirements的执行过程要遍历整个 tree，当遍历到一个节点时，去检查其子节点的 outputPartitioning是否满足该节点的requiredChildDistribution。如果不满足，则在两个节点之间加上一个ShuffleExchangeExec。整个遍历过程从叶子节点开始，一直到根节点结束。这样当遍历结束后，就能确保每个节点的子节点的outputPartitioning都满足该operator的requiredChildDistribution。
Data skew本身是一个很泛化的概念，指的是数据分布不均匀，从而导致大量数据聚集到少数的单元内。Spark中这样的单元是RDD的一个partition，而每一个partition对应一个task。因此data skew也意味着某一些task要处理的数据量远大于其它task处理的数据量，这些task可能会拖累整个SQL的执行速度，尤其是对join来说。
从3.0开始，Spark引入了adaptive query execution（AQE），使得Spark能够通过stage执行结果动态地调整plan，而skew join就是AQE的一项重要应用。
下面我们借用databricks的一篇blog里的例子来介绍skew join的实现。如图2，Table A join Table B，shuffle partition是4，那么在join阶段task和shuffle partition的分配情况如表1所示。但从图2我们可以看出，partition A0的size要明显大于其他partition的size，所以对task 0来说，其所要读的数据量也远大于其他task的数据量。
这就是一个典型的data skew现象。
针对这种问题，Spark提供了一种解决方案，其基本思路是，对那些skewed partition进行切分，将skewed partition的数据分片分配到不同task上。这样原本一个shuffle partition只会分配到一个task，变成了同一个shuffle partition的数据可能分配到多个task上，如图3所示，从而减小了单个task的压力，进而提升整个SQL的执行速度。经过skew join处理后，其分配情况如表2所示。因此在join阶段，task数量由4变为5，并行度提升了
25%。
skew join通过对skewed partition进行切割，能够大幅度提高并行度，避免出现长尾现象。从而大大提升了某些SQL的执行性能。但通过观察线上的使用情况，我们发现了现有skew join的一些不足。
首先，现有的skew join只支持最基本的sort merge join的pattern。如图4所示，join左右两边必须是sort和shuffle，而线上的SQL千变万化，这样的pattern不足以覆盖所有的场景。
其次，我们在线上经常会发现一些case，在SQL执行过程中出现了data skew的现象，而且plan也match现有skew join支持的pattern，但skew join并没有生效。经过分析发现， Spark在决定是否采用skew join的时候还有一个判断：
引入skew join后是否会导致引入额外的ShuffleExchangeExec，如果会，则放弃使用skew join。那什么样的情况下会引入额外的ShuffleExchangeExec呢？
图5中给出了一个例子：两表join，两边表的join key分别是column a和column b，join完后再根据column a做聚合。由于在join之前，左表就会根据column a做一次shuffle，而join本身不改变输入数据的分布情况，因此join之后的结果分布还满足HashPartitioning，partition key为column a。这种分布满足HashAggregate的requiredChildDistribution，所以在SMJ之后不需要再做一次shuffle。但是，我们发现在ShuffleExchange1中出现了data skew。根据前面的介绍，如果要使用skew join，就要对ShuffleExchange1生成的RDD 的skewed partition进行拆分，同一个partition的数据在shuffle read时被分配到多个task中。
这可能导致一些column a相同的record被分配到不同的task中，从而不再满足column a做aggregation需要满足的条件，即“所有column a相同的record被分配到同一个task中”，因此在图中，需要在HashAggregate之前加上一次shuffle。
然而，我们在生产环境中发现，一些case由于data skew导致的性能下降要远比多一轮shuffle更严重。对于这些case我们倾向于采用skew join，哪怕会因此多出一些shuffle的开销。
针对以上提到的两点不足，我们对现有的skew join做了一些优化，使其能够覆盖到更多data skew的情况，主要包括以下三点。
在ebay内部，bucket这一特性被广泛使用于各个核心表中。如此一来，这些表在和其他的表或者数据做join时，就可以通过bucket join来避免shuffle，其plan如图6所示。我们发现这里的 ShuffleQueryStage作为中间结果，时常会出现data skew的现象。现有的skew join还无法支持这种pattern的plan，如果要利用上skew join，只能在这些bucket表参与join时，不再走bucket join，强制做一轮shuffle。但很多bucket表作为核心表通常又比较大，做一次shuffle的开销也比较大。基于此，我们对现有的skew join做了一些改进，使其适用于这种pattern。
基于前文的介绍，skew join的核心是对join一边的RDD partition做split，另外一边的RDD 对应的partition做duplicate。在现有的实现中，split和duplicate的逻辑是通过CustomShuffleReaderExec来实现的，CustomShuffleReaderExec在shuffle read阶段对某些shuffle partition的数据做切分或者重复读。而对于我们这种case，因为一边没有shuffle，所以没法复用现有的逻辑。而且对这些bucket表，在建表时 bucket column选得通常比较合理，数据在各个bucket分布均匀，因此不需要处理bucket表这一边data skew的情况，而只需要考虑怎么对bucket表的某些partition进行duplicate。
我们的做法是增加一种新的operator， PartitionRecombinationExec，其execute方法返回一个RecombinationedRDD。RecombinationedRDD实现如图7所示，它本身没有什么计算逻辑，只是对其parent RDD的partition做一些重新排列，duplicate出一些需要重复读的partition， 对partition做重排列是在方法getPartition中实现的。然后在生成执行计划阶段，把operator PartitionRecombinationExec添加到plan的合适的位置就可以了。其实现效果如图8所示。
这里不得不称赞一下Spark优雅的设计，让这些工作变得如此的简单。因为有了RDD这一层抽象，所有的operator都只需要在RDD上进行操作。当实现一个新的operator时，只需要编写对已有RDD的输出的每一条InternalRow的处理逻辑，然后返回一个新的RDD，最后把这个新的operator挂在logical/physical plan上，所有的工作就都完成了。剩下的一切就可以交给Spark框架去处理，从新建的RDD怎么去和已有的RDD串联，到这些RDD上的操作最终怎么转换成一个个task，再到这些task又怎么在一个复杂的分布式的环境中执行… 几乎包揽一切，大大提高了开发效率。
除了上述当有一边是bucket表的场景中，我们还在线上发现了很多patten，现有的skew join没能覆盖到。如图9所示，SMJ的一边有一个HashAggregate，根据前文的介绍，如果aggregation key和join key是一致的，在HashAggregate后也不需要加上ShuffleExchangeExec。
那么对于这种case，如果发生了data skew，我们是否也可以通过现有的skew join的方式去处理呢？这需要分两种情况进行讨论。
ShuffleQueryStage1出现了data skew。如果要apply skew join，就要把ShuffleQueryStage1对应的RDD的skewed partition做拆分，而ShuffleQueryStage2里与之对应的partition做duplicate。
这里面有个问题，做完duplicate后再执行HashAggregate，整个query的结果还正确么？做完duplicate后就不再满足“具有相同aggregation key的所有record分布到同一个RDD partition内”这一条件，那么最终执行的结果是正确的么？
答案是肯定的。这其实就是skew join实现的巧妙之处，
skew join并不保证在整个处理过程中每一个算子的结果的正确性，而只保证join后结果的正确性。如果我们再看图4中的例子，其中有一个CustomShuffleReaderExec会做duplicate read。因此，如果只看该CustomShuffleReaderExec输出的结果，那显然也是不正确的，但是根据join执行的原理，在join之后那些duplicate的record会自动去重。而图9的例子跟图4的例子本质上没什么不同，即使aggregation的输出结果看起来不正确，但是经过上层的SMJ，就确保了结果的正确性（当然重复的计算也会带来一些额外开销）。
ShuffleQueryStage2出现了data skew。如果要apply skew join，那么HashAggregate读的数据将是经过split的数据，仍旧不再满足“具有相同aggregation key的所有record分布到同一个RDD partition”这一条件。那这次查询返回的结果还正确么？
答案是否定的。现有的skew join中SMJ可以做到对那些duplicate的record去重，而对那些分布在不同task中的具有相同aggregation key的record不能起到聚合的作用，这些record只有全部分配到同一个task中才能被完全聚合起来，因此SMJ输出的结果也将不再正确。
经过上述讨论，我们会发现，在SMJ中，只有所有子节点对input的数据分布情况没有要求的一边出现了data skew时，我们才可以对其进行拆分，进而apply skew join。于是我们对rule OptimizeSkewedJoin做了一些改进，一方面放宽了其能够匹配到的plan的范围，如图10所示，另一方面在判断某一边能不能split时加了条件，如图11所示。
经过这一改进，skew join支持了更多种情况，如图12所示。SQL及其执行的DAG为图13。
在shuffle开销可以接受的情况下，尽可能应用skew join
前文讲到Spark在决定是否要apply skew join时会判断是否会因此引入新的shuffle，如果发现会引入新的shuffle，则停止apply skew join。之所以这样做，一个原因是现有的skew join的实现还不能正确处理这样的case。因为在apply skew join后，框架并不会再去执行rule EnsureRequirements，去添加一些必要的shuffle。于是我们去掉了这个check，并尝试在执行完OptimizeSkewedJoin后，再去执行一遍EnsureRequirements，但也因此引发了不少问题。
首先，AQE引入了rule CoalesceShufflePartitions，用来合并shuffle partition，从而减少shuffle read task的数量。而合并shuffle partition这一过程是在operator CustomShuffleReaderExec里实现的，因此在执行完CoalesceShufflePartitions后，会在一些shuffle 之后加上一个CustomShuffleReaderExec。而由于CustomShuffleReaderExec会合并不同的shuffle partition，它会改变input数据的分布情况，所以CustomShuffleReaderExec的outputPartitioning是UnknownPartitioning。在这种情况下，再执行一遍EnsureRequirements会引入新的ShuffleExchangeExec，如图14所示。
我们先关注ShuffleExchange2，HashAggregateExec需要的数据分布是“具有相同aggregation key的所有record分布到同一个RDD partition内”，这里CustomShuffleReaderExec做的事情只是把多个shuffle partition合成一个partition，合并之后的数据分布还满足这一条件，因此ShuffleExchange2是没有必要的。为了解决这个问题，我们加入了一种新的Partitioning CoalescedPartitioning，其实现如图15所示。除了HashPartitioning，我们还考虑了现有的所有Partitioning经过coalesce后满足的效果。而如果CustomShuffleReaderExec只是合并了一些partition（没有拆分partition），它的outputPartitioning就是CoalescedPartitioning。
接下来考虑SMJ。经过rule CoalesceShufflePartitions后，SMJ两边引入了CustomShuffleReaderExec，而CustomShuffleReaderExec的outputPartitioning是我们前面新加的Partitioning CoalescedPartitioning。在上文中我们讲过，对SMJ来说，两边的input只满足“具有相同join key的record分布在RDD的同一个partition”是不够的，还要保证join两边的input按照相同的规律分布。因此SMJ两边的input 如果经过了coalesce的话，我们还需要保证两边coalesce的方式是一致的。于是我们在EnsureRequirements中又加了一些逻辑来保证这一点，如图16所示。SMJ两边input的outputPartitioning如果是CoalescedPartitioning的话，还必须保证coalesce spec一致，否则至少会有一边再加shuffle。
前面只谈到通过rule CoalesceShufflePartitions引入的CustomShuffleReaderExec，而skew join本身也是通过CustomShuffleReaderExec来做shuffle partition的duplicate和split的。这里的CustomShuffleReaderExec做的事情不止是合并多个shuffle partition，因此其outputPartitioning也不再是CoalescedPartitioning。那么如何避免EnsureRequirements在这些OptimizeLocalShuffleReader之后加上ShuffleExchangeExec呢？这里的情况比较复杂，由于篇幅有限，我在这里就不做过多介绍，基本思路有两个：
-
对于一个SMJ operator，如果发现其已经apply skew join，改变它的requiredChildDistribution，让其对子节点的outputPartitioning不再有特殊要求，从而避免引入不必要的shuffle。
-
在执行完EnsureRequirements后，再通过模式匹配来去掉一些不必要的shuffle。
图17是一个示例SQL，其执行的DAG如图18所示。
现有的skew join是在AQE的框架内实现的。而自从引入AQE后，Spark查询优化器的复杂度提升了很多，从以往容易理解的平铺直叙式的展开的方式，变成了如今这种往返迭代，动态调整的方式。这一转变带了不少挑战，在AQE中添加的逻辑可能会在意想不到的时刻被触发，而且很可能触发多次。同时，由于我们线上分析型的SQL千变万化，动辄上百近千行的SQL，生成的plan都异常复杂。对这样的plan做调整必须异常谨慎，因为你很难想到这些调整正作用于一个什么样的plan上。而更严重的是，对这些核心的rule，如EnsureRequirements的改动，稍有不慎就会导致漏加shuffle或者sort，最终导致查询结果不正确，这是不能接受的。
那在对现有的skew join做改动时，应该如何尽量去降低这些风险呢？我想，首先需要我们对AQE框架的实现有比较深刻的理解。其次，对于skew join，需要考虑三个问题：skew join的原理和实现都是什么样的？它能够支持的pattern有哪些？它支持的边界又在哪里？当把这些问题都想清楚后再去做改动，基本上就能够保证这些改动逻辑上的正确性。尽管这些改动可能会生成一个不够优的plan（前期我们经常会发现生成的plan多了一些没必要的shuffle或者sort），但基本不会生成错误的plan。在做优化的同时，我们也加深了对Spark和AQE的理解，这项工作充满挑战又富有乐趣！
