一、迁移背景
Spark自从2010年面世，到2020年已经经过十年的发展，现在已经发展为大数据批计算的首选引擎，在滴滴Spark是在2015年便开始落地使用，不过主要使用的场景是更多在数据挖掘和机器学习方向，对于数仓sql方向，主要仍以Hive sql为主。
下图是当前滴滴内部sql任务的架构图，滴滴各个业务线的离线任务是通过一站式数据开发平台DataStudio调度的，DataStudio把sql任务提交到HiveServer2或者Spark两种计算引擎上。两个计算引擎均依赖资源管理器YARN和文件系统HDFS。
在迁移之前我们面临的主要问题有：
-
sql任务运行慢：迁移前sql任务运行的平均时间是20分钟，主要原因是占比高达83%的Hive sql任务运行时间长，Hive任务执行过程中会启动多个MR Job，Job间的中间结果存储在HDFS，所以同一个sql， Hive比Spark执行的时间更长；
-
Hive sql稳定性差：一个HS2会同时执行多个用户的Hive sql任务，当一个异常任务导致HS2进程响应慢甚至异常退出时，运行在同一个实例的sql任务也会运行缓慢甚至失败。而异常任务场景各异。我们曾经遇到的异常任务有多个大sql加载过多的分区元数据导致HS2 FullGC，加载UDF时导致HS2进程core dump，UDF访问HDFS没有关闭流导致HS2机器端口被打满，这些没有通用解法， 问题很难收敛；
-
人力分散：两个引擎需要投入双倍的人力，在人员有限的情况下，对引擎的掌控力会减弱；
所以为了sql任务运行更快，更稳，团队人力聚焦，对引擎有更强的掌控力，我们决定把Hive sql迁移到Spark sql。
二、迁移方案概要设计
-
保证数据一致性，也就是相同的sql使用Spark和Hive执行的结果应该是一样的；
-
迁移过程对用户透明；
为了满足以上三个条件， 一个很直观的思路就是使用两个引擎执行用户sql，然后对比每个引擎的执行结果和资源消耗。
为了不影响用户线上数据，使用两个引擎执行用户sql有两个可选方案：
复用现有的sql任务调度系统，再部署一套sql任务调度系统用来迁移，这个系统与生产环境物理隔离；
开发一个sql双跑工具，可以支持使用两个引擎执行同一个sql任务；
下面详细介绍这两个方案：
1. 方案一：复用现有的sql任务调度系统
再部署一套sql任务执行系统用来使用Spark执行所有的sql，包括HDFS，HiveServer2&metastore和Spark，DataStudio。新部署的系统需要周期性从生产环境同步任务信息，元数据信息和HDFS数据，在这个新部署的系统中把Hive sql任务改成Spark sql类型任务，这样一个用户的sql在原有系统中使用Hive sql执行，在新部署的系统中使用Spark执行。如下图所示，蓝色的表示需要新部署的子系统。
sql双跑工具，可以线下使用两个引擎执行用户的sql，具体流程如下：
3. 方案对比
1）方案一
① 优势
-
隔离性好,单独的sql执行系统不会影响生产任务，也不会影响业务数据；
② 劣势
-
需要的资源多：运行多个子系统需要较多物理资源；
-
部署复杂：部署多个子系统，需要多个不同的团队相互配合；
2）方案二
① 优势
-
非常轻量，不需要部署很多系统，而且对物理资源需要不高；
② 劣势
-
与生产公共一套环境，回放时有影响用户数据对风险；
经过权衡， 我们决定采用方案二， 因为：
三、迁移方案详细设计
-
定时将前一天的History目录上传到hdfs
-
开发HiveHistoryParser
Hive History Parser的主要功能是：
-
每天从HDFS下载所有HiveServer2的History文件；
2. sql改写&双跑
-
insert overwrite into
-
create table as select
-
在测试库中创建与目标库表schema完全一致的两个测试表；
sql双跑步骤如下：
-
记录使用两种引擎执行sql时启动的Application和运行时间；
3. 结果对比
结果对比时会遍历每个回放记录，统计以下指标：
具体流程如下：
-
对比两种引擎的输出数据；
分别对Spark和Hive的产出表执行以下sql，获取表的概要信息
比较两张表的概要信息：
-
如果所有对应列的值相同则认为结果一致；
-
统计两种引擎启动的Application消耗的vcore和memory资源；
-
汇总数据结果，并对回放的sql分为以下几类：
-
经验可迁移：在排查不一致时发现有些是逻辑正确的 (比如collect_set结果顺序不一致)，如果有些任务符合这些经验，则认为是经验可迁移；
-
数据不一致：两种引擎产出的结果存在不一致的列，而且没有命中经验；
4. 迁移
迁移比较简单， 步骤如下：
-
整理迁移任务列表以及对应的配置参数；
-
重跑任务；
5. 问题排查&修复
如果sql是“可迁移”或者“经验可迁移”，可以执行迁移，其它的任务需要排查，这部分是最耗时耗力的，迁移过程中大部分时间都是在调查和修复这些问题。
修复之后再执行从头开始，提取最新任务的sql，然后sql改写和双跑，结果对比，满足迁移条件则说明修复了问题，可以迁移，否则继续排查，因此迁移过程是一个循环往复的过程，直到sql满足迁移条件，整体过程如下图所示：
四、引擎差异
在迁移的过程中我们发现了很多两种引擎不同的地方，主要包括语法差异，UDF差异，功能差异和性能差异。
1. 语法差异
有些Hive sql使用Spark sql执行在语法分析阶段就会出错，有些语法差异我们在内部版本已经修复，目前正在反馈社区，正在和社区讨论，还有一些目前没有修复。
1）用例设计
-
Window Function 不支持没有order by子句的场景
-
Orc/Orcfile 存储类型创建语句屏蔽ROW FORMAT DELIMITED限制 [SPARK-33755]
-
支持CREATE TEMPORARY TABLE
-
各类Hive UDF的支持调用，主要包括get_json_object，datediff，unix_timestamp，to_date，collect_set，date_sub [SPARK-33721]
2）未修复
-
Map类型字段不支持GROUP BY操作
-
Operation not allowed：ALTER TABLE CONCATENATE
2. UDF差异
在排查数据不一致的sql过程中，我们发现有些是因为输入数据的顺序不同造成的， 这些差异逻辑上是正确的，而有些是UDF对异常值的处理方式不一致造成的，还有需要注意的是UDF执行环境不同造成的结果差异。
1）顺序差异
这些因为输入数据的顺序不同造成的结果差异逻辑上是一致的，对业务无影响，因此在迁移过程中可以忽略这些差异，这类差异的sql任务属于经验可迁移。
① collect_set
假设数据表如下：
执行如下sql：
执行结果：
差异说明：
collect_set执行结果的顺序取决于记录被扫描的顺序，Spark sql执行过程中是多个任务并发执行的，因此记录被读取的顺序是无法保证的。
② collect_list
假设数据表如下：
执行如下sql：
执行结果：
差异说明：
collect_list执行结果的顺序取决于记录被扫描的顺序，Spark sql执行过程中是多个任务并发执行的，因此记录被读取的顺序是无法保证的。
③ row_number
假设数据表如下：
执行如下sql：
执行结果：
差异说明：
执行row_number时，在一个分区内部，可以保证order by字段是有序的，对于非分区非order by字段的顺序是没有保证的。
④ map类型字段读写
数据表建表语句：
假设数据表如下：
执行如下sql：
执行结果：
差异说明：
Map类型是无序的，同一份数据，在query时显示的各个key的顺序会有变化。
⑤ sum(double/float)
假设数据表如下：
执行如下sql：
执行结果：
差异说明：
这是由float/double类型的表示买游戏地图方式决定的，浮点数不能表示所有的实数，在执行运算过程中会有精度丢失，对于几个浮点数，执行加法时的顺序不同，结果有时就会不同。
⑥ 顺序差异解决方案
由以上UDF造成的差异可以忽略，相关任务如果在资源方面也有节省，那么最终的状态是经验可迁移状态，符合迁移条件。
2）非顺序差异
下面几个日期/时间相关函数，当有异常输入是Spark sql会返回NULL，而Hive sql会返回一个非NULL值。
① datediff
对于异常日期，比如0000-00-00执行datediff两者会存在差异。
② unix_timestamp
对于24点Spark认为是非法的返回NULL，而Hive任务是正常的，下表时执行unix_timestamp(concat('2020-06-01', ' 24:00:00'))时的差异。
③ to_date
当月或者日是00时Hive仍然会返回一个日期，但是Spark会返回NULL。
④ date_sub
当月或者日是00时Hive仍然会返回一个日期，但是Spark会返回NULL。
⑤ date_add
当月或者日是00时Hive仍然会返回一个日期，但是Spark会返回NULL。
⑥ 非顺序差异解决方案
这些差异是是因为对异常UDF参数的处理逻辑不同造成的，虽然Spark sql返回NULL更合理，但是现有的Hive sql任务用户适应了这种处理逻辑，所以为了不影响现有sql任务，我们对这类UDF做了兼容处理，用户可以通过配置来决定使用Hive内置函数还是Spark的内置UDF。
3）UDF执行环境差异
① 差异说明
基于MapReduce的Hive sql一个Task会启动一个进程，进程中的主线程负责数据处理， 因此在Hive sql中UDF只会在单程中执行。
而Spark 一个Executor可能会启动多个Task，如下图所示。因此在Spark sql中自定义UDF时需要考虑线程安全问题。
② 差异解决方案
下面是一个非线程安全的示例，UDF内部共享静态变量，在执行UDF时会读写这个静态变量。
解决方案也比较简单，一种是加锁，如下图所示：
另一种是取消静态成员，如下图所示：
1）小文件合并
Hive sql可以通过设置以下配置合并小文件，MR Job结束后，判断生成文件的平均大小，如果小于阀值，就再启动一个Job来合并文件。
目前Spark sql不支持小文件合并，在迁移过程中，我们经常发现Spark sql生成的文件数多于Hive sql，为此我们参考Hive sql的实现在Spark sql中引入了小文件合并功能。
在InsertIntoHiveTable 中判断如果开启小文件合并，并且文件的平均大小低于阈值则执行合并，合并之后再执行loadTable或者loadPartition操作。
Hive sql任务是DataStudio通过beeline -f执行的，客户端只负责发送sql语句给HS2，已经获取执行结果，因此是非常轻量的。而Spark sql只支持Client模式，Driver在Client进程中，因此Client模式执行Spark sql时，有时会占用很多的资源，DataStudio无法感知Spark Driver的资源开销，所以在DataStudio层面会带来以下问题：
-
形成资源热点，影响任务执行；
-
Client模式日志保留在本地，排查问题时不方便看日志；
所以我们开发了Spark sql支持Cluster模式，该模式只支持非交互式方式执行sql，包括spark-sql -e和spark-sql -f，不支持交互式模式。
3）分区剪裁优化
迁移过程中我们发现大部分任务的分区条件包括concat， concat_ws， substr等UDF， HiveServer2会调用metastore的getPartitionsByExpr方法返回符合分区条件的有效分区，避免无效的扫描， 但是Spark sql的分区剪裁只支持由Attribute和Literal组成key/value结构的谓词条件，这一方面导致无法有效分区剪裁，会查询所有分区的数据， 造成读取大量无效数据，另一方面查询所有分区的元数据，导致metastore对MySQL查询压力激增，导致MysqL进程把cpu打满。我们在社区版本的基础上迭代支持了多种场景的分区联合剪裁，目前能够覆盖生产任务90%以上的场景。
-
concat/concat_ws联合剪裁场景
-
substr 联合剪裁场景
-
concat/concat_ws&substr组合场景
目前已经反馈社区，正在讨论中，具体可参考[SPARK-33707][sql] Support multiple types of function partition pruning on hive metastore
五、迁移结果
经过6个多月的团队的努力，我们迁移了1万多个Hive sql任务到Spark sql，在迁移过程中，随着spark sql任务的增加，sql任务的执行时间在逐渐减少，从最初的1000+秒下降到600+秒如下图所示：
迁移后Spark sql任务占比85%，sql任务运行时间节省40%，计算资源节省21%，内存资源节省49%，迁移的收益是非常大的。
六、下一步计划
迁移之后Spark已经成为sql任务的主流引擎，但是还有大量的shell类型任务使用Hive执行sql，所以后续我们会迁移shell类型任务，把shell中的Hive sql迁移到Spark sql。
在生产环境中，有些shuffle 比较中的任务经常会因为shuffle fetch重试甚至失败，我们想优化Spark External Shuffle Service。
社区推出Spark 3.x也半年多了，在功能和性能上有很大提升，所以我们也想和社区保持同步，升级Spark到3.x版本。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 [email protected] 举报，一经查实，本站将立刻删除。
