对Spark的那些【魔改】
前言
这两年做streamingpro时，不可避免的需要对Spark做大量的增强。就如同我之前吐槽的，Spark大量使用了new进行对象的创建，导致里面的实现基本没有办法进行替换。
比如SparkEnv里有个属性叫closureSerializer，是专门做任务的序列化反序列化的，当然也负责对函数闭包的序列化反序列化。我们看看内部是怎么实现的：
val serializer = instantiateClassFromConf[Serializer](
"spark.serializer", "org.apache.spark.serializer.JavaSerializer")
logDebug(s"Using serializer: ${serializer.getClass}")
val serializerManager = new SerializerManager(serializer, conf, ioEncryptionKey)
val closureSerializer = new JavaSerializer(conf)
val envInstance = new SparkEnv(
.....
closureSerializer, ....
这里直接new了一个JavaSerializer,并不能做配置。如果不改源码，你没有任何办法可以替换掉掉这个实现。同理，如果我想替换掉Executor的实现，基本也是不可能的。
今年有两个大地方涉及到了对Spark的【魔改】，也就是不通过改源码，使用原有发型包，通过添加新代码的方式来对Spark进行增强。
二层RPC的支持
我们知道，在Spark里，我们只能通过Task才能touch到Executor。现有的API你是没办法直接操作到所有或者指定部分的Executor。比如，我希望所有Executor都加载一个资源文件，现在是没办法做到的。为了能够对Executor进行直接的操作，那就需要建立一个新的通讯层。那具体怎么做呢？
首先，在Driver端建立一个Backend,这个比较简单，
class PSDriverBackend(sc: SparkContext) extends Logging {
val conf = sc.conf
var psDriverRpcEndpointRef: RpcEndpointRef = null
def createRpcEnv = {
val isDriver = sc.env.executorId == SparkContext.DRIVER_IDENTIFIER
val bindAddress = sc.conf.get(DRIVER_BIND_ADDRESS)
val advertiseAddress = sc.conf.get(DRIVER_HOST_ADDRESS)
var port = sc.conf.getOption("spark.ps.driver.port").getOrElse("7777").toInt
val ioEncryptionKey = if (sc.conf.get(IO_ENCRYPTION_ENABLED)) {
Some(CryptoStreamUtils.createKey(sc.conf))
} else {
None
}
logInfo(s"setup ps driver rpc env: ${bindAddress}:${port} clientMode=${!isDriver}")
var createSucess = false
var count = 0
val env = new AtomicReference[RpcEnv]()
while (!createSucess && count < 10) {
try {
env.set(RpcEnv.create("PSDriverEndpoint", bindAddress, port, sc.conf,
sc.env.securityManager, clientMode = !isDriver))
createSucess = true
} catch {
case e: Exception =>
logInfo("fail to create rpcenv", e)
count += 1
port += 1
}
}
if (env.get() == null) {
logError(s"fail to create rpcenv finally with attemp ${count} ")
}
env.get()
}
def start() = {
val env = createRpcEnv
val pSDriverBackend = new PSDriverEndpoint(sc, env)
psDriverRpcEndpointRef = env.setupEndpoint("ps-driver-endpoint", pSDriverBackend)
}
}
这样，你可以理解为在Driver端启动了一个PRC Server。要运行这段代码也非常简单，直接在主程序里运行即可：
// parameter server should be enabled by default
if (!params.containsKey("streaming.ps.enable") || params.get("streaming.ps.enable").toString.toBoolean) {
logger.info("ps enabled...")
if (ss.sparkContext.isLocal) {
localSchedulerBackend = new LocalPSSchedulerBackend(ss.sparkContext)
localSchedulerBackend.start()
} else {
logger.info("start PSDriverBackend")
psDriverBackend = new PSDriverBackend(ss.sparkContext)
psDriverBackend.start()
}
}
这里我们需要实现local模式和cluster模式两种。
Driver启动了一个PRC Server，那么Executor端如何启动呢？Executor端似乎没有任何一个地方可以让我启动一个PRC Server? 其实有的，只是非常trick,我们知道Spark是允许自定义Metrics的，并且会调用用户实现的metric特定的方法，我们只要开发一个metric Sink,在里面启动RPC Server，骗过Spark即可。具体时下如下：
class PSServiceSink(val property: Properties, val registry: MetricRegistry,
securityMgr: SecurityManager) extends Sink with Logging {
def env = SparkEnv.get
var psDriverUrl: String = null
var psExecutorId: String = null
var hostname: String = null
var cores: Int = 0
var appId: String = null
val psDriverPort = 7777
var psDriverHost: String = null
var workerUrl: Option[String] = None
val userClassPath = new mutable.ListBuffer[URL]()
def parseArgs = {
//val runtimeMxBean = ManagementFactory.getRuntimeMXBean();
//var argv = runtimeMxBean.getInputArguments.toList
var argv = System.getProperty("sun.java.command").split("\\s+").toList
.....
psDriverHost = host
psDriverUrl = "spark://ps-driver-endpoint@" + psDriverHost + ":" + psDriverPort
}
parseArgs
def createRpcEnv = {
val isDriver = env.executorId == SparkContext.DRIVER_IDENTIFIER
val bindAddress = hostname
val advertiseAddress = ""
val port = env.conf.getOption("spark.ps.executor.port").getOrElse("0").toInt
val ioEncryptionKey = if (env.conf.get(IO_ENCRYPTION_ENABLED)) {
Some(CryptoStreamUtils.createKey(env.conf))
} else {
None
}
//logInfo(s"setup ps driver rpc env: ${bindAddress}:${port} clientMode=${!isDriver}")
RpcEnv.create("PSExecutorBackend", bindAddress, port, env.conf,
env.securityManager, clientMode = !isDriver)
}
override def start(): Unit = {
new Thread(new Runnable {
override def run(): Unit = {
logInfo(s"delay PSExecutorBackend 3s")
Thread.sleep(3000)
logInfo(s"start PSExecutor;env:${env}")
if (env.executorId != SparkContext.DRIVER_IDENTIFIER) {
val rpcEnv = createRpcEnv
val pSExecutorBackend = new PSExecutorBackend(env, rpcEnv, psDriverUrl, psExecutorId, hostname, cores)
PSExecutorBackend.executorBackend = Some(pSExecutorBackend)
rpcEnv.setupEndpoint("ps-executor-endpoint", pSExecutorBackend)
}
}
}).start()
}
...
}
到这里，我们就能成功启动RPC Server，并且连接上Driver中的PRC Server。现在，你就可以在不修改Spark 源码的情况下，尽情的写通讯相关的代码了，让你可以更好的控制Executor。
比如在PSExecutorBackend 实现如下代码：
override def receiveAndReply(context: RpcCallContext): PartialFunction[Any, Unit] = {
case Message.TensorFlowModelClean(modelPath) => {
logInfo("clean tensorflow model")
TFModelLoader.close(modelPath)
context.reply(true)
}
case Message.CopyModelToLocal(modelPath, destPath) => {
logInfo(s"copying model: ${modelPath} -> ${destPath}")
HDFSOperator.copyToLocalFile(destPath, modelPath, true)
context.reply(true)
}
}
接着你就可以在Spark里写如下的代码调用了：
val psDriverBackend = runtime.asInstanceOf[SparkRuntime].psDriverBackend psDriverBackend.psDriverRpcEndpointRef.send(Message.TensorFlowModelClean("/tmp/ok"))
是不是很酷。
修改闭包的序列化方式
Spark的任务调度开销非常大。对于一个复杂的任务，业务逻辑代码执行时间大约是3-7ms,但是整个spark运行的开销大概是1.3s左右。
经过详细dig发现，sparkContext里RDD转化时，会对函数进行clean操作，clean操作的过程中，默认会检查是不是能序列化（就是序列化一遍，没抛出异常就算可以序列化）。而序列化成本相当高（默认使用的JavaSerializer并且对于函数和任务序列化，是不可更改的），单次序列化耗时就达到200ms左右，在local模式下对其进行优化，可以减少600ms左右的请求时间。
当然，需要申明的是，这个是针对local模式进行修改的。那具体怎么做的呢？
我们先看看Spark是怎么调用序列化函数的，首先在SparkContext里，clean函数是这样的：
private[spark] def clean[F <: AnyRef](f: F, checkSerializable: Boolean = true): F = {
ClosureCleaner.clean(f, checkSerializable)
f
}
调用的是ClosureCleaner.clean方法，该方法里是这么调用学序列化的：
try {
if (SparkEnv.get != null) {
SparkEnv.get.closureSerializer.newInstance().serialize(func)
}
} catch {
case ex: Exception => throw new SparkException("Task not serializable", ex)
}
SparkEnv是在SparkContext初始化的时候创建的，该对象里面包含了closureSerializer，该对象通过new JavaSerializer创建。既然序列化太慢，又因为我们其实是在Local模式下，本身是可以不需要序列化的，所以我们这里想办法把closureSerializer的实现替换掉。正如我们前面吐槽，因为在Spark代码里写死了，没有暴露任何自定义的可能性，所以我们又要魔改一下了。
首先，我们新建一个SparkEnv的子类：
class WowSparkEnv(
....) extends SparkEnv(
接着实现一个自定义的Serializer：
class LocalNonOpSerializerInstance(javaD: SerializerInstance) extends SerializerInstance {
private def isClosure(cls: Class[_]): Boolean = {
cls.getName.contains("$anonfun$")
}
override def serialize[T: ClassTag](t: T): ByteBuffer = {
if (isClosure(t.getClass)) {
val uuid = UUID.randomUUID().toString
LocalNonOpSerializerInstance.maps.put(uuid, t.asInstanceOf[AnyRef])
ByteBuffer.wrap(uuid.getBytes())
} else {
javaD.serialize(t)
}
}
override def deserialize[T: ClassTag](bytes: ByteBuffer): T = {
val s = StandardCharsets.UTF_8.decode(bytes).toString()
if (LocalNonOpSerializerInstance.maps.containsKey(s)) {
LocalNonOpSerializerInstance.maps.remove(s).asInstanceOf[T]
} else {
bytes.flip()
javaD.deserialize(bytes)
}
}
override def deserialize[T: ClassTag](bytes: ByteBuffer, loader: ClassLoader): T = {
val s = StandardCharsets.UTF_8.decode(bytes).toString()
if (LocalNonOpSerializerInstance.maps.containsKey(s)) {
LocalNonOpSerializerInstance.maps.remove(s).asInstanceOf[T]
} else {
bytes.flip()
javaD.deserialize(bytes, loader)
}
}
override def serializeStream(s: OutputStream): SerializationStream = {
javaD.serializeStream(s)
}
override def deserializeStream(s: InputStream): DeserializationStream = {
javaD.deserializeStream(s)
}
接着我们需要再封装一个LocalNonOpSerializer，
class LocalNonOpSerializer(conf: SparkConf) extends Serializer with Externalizable {
val javaS = new JavaSerializer(conf)
override def newInstance(): SerializerInstance = {
new LocalNonOpSerializerInstance(javaS.newInstance())
}
override def writeExternal(out: ObjectOutput): Unit = Utils.tryOrIOException {
javaS.writeExternal(out)
}
override def readExternal(in: ObjectInput): Unit = Utils.tryOrIOException {
javaS.readExternal(in)
}
}
现在，万事俱备，只欠东风了，我们怎么才能把这些代码让Spark运行起来。具体做法非常魔幻，实现一个enhance类：
def enhanceSparkEnvForAPIService(session: SparkSession) = {
val env = SparkEnv.get
//创建一个新的WowSparkEnv对象，然后将里面的Serializer替换成我们自己的LocalNonOpSerializer
val wowEnv = new WowSparkEnv(
.....
new LocalNonOpSerializer(env.conf): Serializer,
....)
// 将SparkEnv object里的实例替换成我们的
//WowSparkEnv
SparkEnv.set(wowEnv)
//但是很多地方在SparkContext启动后都已经在使用之前就已经生成的SparkEnv,我们需要做些调整
//我们先把之前已经启动的LocalSchedulerBackend里的scheduer停掉
val localScheduler = session.sparkContext.schedulerBackend.asInstanceOf[LocalSchedulerBackend]
val scheduler = ReflectHelper.field(localScheduler, "scheduler")
val totalCores = localScheduler.totalCores
localScheduler.stop()
//创建一个新的LocalSchedulerBackend
val wowLocalSchedulerBackend = new WowLocalSchedulerBackend(session.sparkContext.getConf, scheduler.asInstanceOf[TaskSchedulerImpl], totalCores)
wowLocalSchedulerBackend.start()
//把SparkContext里的_schedulerBackend替换成我们的实现
ReflectHelper.field(session.sparkContext, "_schedulerBackend", wowLocalSchedulerBackend)
}
完工。
其实还有很多
比如在Spark里，Python Worker默认一分钟没有被使用是会被杀死的，但是在StreamingPro里，这些python worker因为都要加载模型，所以启动成本是非常高的，杀了之后再启动就没办法忍受了，通过类似的方式进行魔改，从而使得空闲时间是可配置的。如果大家感兴趣，可以翻看StreamingPro相关代码。
我的博客即将搬运同步至腾讯云+社区，邀请大家一同入驻：https://cloud.tencent.com/developer/support-plan?invite_code=45eorticfc31
