背景
本文基于Spark 3.5.0
目前公司在做小文件合并的时候用到了 Spark Rebalance 这个算子，这个算子的主要作用是在AQE阶段的最后写文件的阶段进行小文件的合并，使得最后落盘的文件不会太大也不会太小，从而达到小文件合并的作用，这其中的主要原理是在于三个规则:OptimizeSkewInRebalancePartitions,CoalesceShufflePartitions,OptimizeShuffleWithLocalRead,这里主要说一下OptimizeSkewInRebalancePartitions规则，CoalesceShufflePartitions的作用主要是进行文件的合并，是得文件不会太小，OptimizeShuffleWithLocalRead的作用是加速shuffle fetch的速度。
结论
OptimizeSkewInRebalancePartitions的作用是对小文件进行拆分，使得罗盘的文件不会太大，这个会有个问题，如果我们在使用Rebalance(col)这种情况的时候，如果col的值是固定的，比如说值永远是20240320,那么这里就得注意一下，关于OptimizeSkewInRebalancePartitions涉及到的参数spark.sql.adaptive.optimizeSkewsInRebalancePartitions.enabled,spark.sql.adaptive.advisoryPartitionSizeInBytes,spark.sql.adaptive.rebalancePartitionsSmallPartitionFactor 这些值配置，如果这些配置调整的不合适，就会导致写文件的时候有可能只有一个Task在运行，那么最终就只有一个文件。而且大大加长了整个任务的运行时间。
分析
直接到OptimizeSkewInRebalancePartitions中的代码中来:
override def apply(plan: SparkPlan): SparkPlan = {
if (!conf.getConf(SQLConf.ADAPTIVE_OPTIMIZE_SKEWS_IN_REBALANCE_PARTITIONS_ENABLED)) {
return plan
}
plan transformUp {
case stage: ShuffleQueryStageExec if isSupported(stage.shuffle) =>
tryOptimizeSkewedPartitions(stage)
}
}
如果我们禁用掉对rebalance的倾斜处理，也就是spark.sql.adaptive.optimizeSkewsInRebalancePartitions.enabled为false（默认是true），那么就不会应用此规则，那么如果Col为固定值的情况下，就只会有一个Task进行文件的写入操作，也就只有一个文件，因为一个Task会拉取所有的Map的数据(因为此时每个maptask上的hash(Col)都是一样的，此时只有一个reduce task去拉取数据)，如图：
假如说hash(col)为0，那实际上只有reduceTask0有数据，其他的ReduceTask1等等都是没有数据的，所以最终只有ReduceTask0写文件，并且只有一个文件。
在看合并的计算公式，该数据流如下：
tryOptimizeSkewedPartitions
||
\/
optimizeSkewedPartitions
||
\/
ShufflePartitionsUtil.createSkewPartitionSpecs
||
\/
ShufflePartitionsUtil.splitSizeListByTargetSize
splitSizeListByTargetSize方法中涉及到的参数解释如下 ：
- 参数 sizes: Array[Long] 表示属于同一个reduce任务的maptask任务的大小数组，举例 sizes = [100,200,300,400]
表明该任务有4个maptask，0表示maptask为0的所属reduce的大小，1表示maptask为1的所属reduce的大小，依次类推,图解如下:
比如说reduceTask0的从Maptask拉取的数据的大小分别是100,200,300,400.
- 参数targetSize 为
spark.sql.adaptive.advisoryPartitionSizeInBytes的值，假如说是256MB - 参数smallPartitionFactor为
spark.sql.adaptive.rebalancePartitionsSmallPartitionFactor的值，默认是0.2
这里有个计算公式：
def tryMergePartitions() = {
// When we are going to start a new partition, it's possible that the current partition or
// the previous partition is very small and it's better to merge the current partition into
// the previous partition.
val shouldMergePartitions = lastPartitionSize > -1 &&
((currentPartitionSize + lastPartitionSize) < targetSize * MERGED_PARTITION_FACTOR ||
(currentPartitionSize < targetSize * smallPartitionFactor ||
lastPartitionSize < targetSize * smallPartitionFactor))
if (shouldMergePartitions) {
// We decide to merge the current partition into the previous one, so the start index of
// the current partition should be removed.
partitionStartIndices.remove(partitionStartIndices.length - 1)
lastPartitionSize += currentPartitionSize
} else {
lastPartitionSize = currentPartitionSize
}
}
。。。
while (i < sizes.length) {
// If including the next size in the current partition exceeds the target size, package the
// current partition and start a new partition.
if (i > 0 && currentPartitionSize + sizes(i) > targetSize) {
tryMergePartitions()
partitionStartIndices += i
currentPartitionSize = sizes(i)
} else {
currentPartitionSize += sizes(i)
}
i += 1
}
tryMergePartitions()
partitionStartIndices.toArray
这里的计算公式大致就是：从每个maptask中的获取到属于同一个reduce的数值，依次累加，如果大于targetSize就尝试合并，直至到最后一个maptask，
可以看到tryMergePartitions有个计算公式:currentPartitionSize < targetSize * smallPartitionFactor,也就是说如果当前maptask的对应的reduce分区数据 小于 256MB*0.2 = 51.2MB 的话，也还是会合并到前一个分区中去，如果smallPartitionFactor设置过大，可能会导致所有的分区都会合并到一个分区中去，最终会导致一个文件会有几十GB(也就是targetSize * smallPartitionFactor`*shuffleNum)，
比如说以下的测试案例：文章来源：https://www.toymoban.com/news/detail-851201.html
val targetSize = 100
val smallPartitionFactor2 = 0.5
// merge last two partition if their size is not bigger than smallPartitionFactor * target
val sizeList5 = Array[Long](50, 50, 40, 5)
assert(ShufflePartitionsUtil.splitSizeListByTargetSize(
sizeList5, targetSize, smallPartitionFactor2).toSeq ==
Seq(0))
val sizeList6 = Array[Long](40, 5, 50, 45)
assert(ShufflePartitionsUtil.splitSizeListByTargetSize(
sizeList6, targetSize, smallPartitionFactor2).toSeq ==
Seq(0))
这种情况下，就会只有一个reduce任务运行。文章来源地址https://www.toymoban.com/news/detail-851201.html
到了这里，关于Spark Rebalance hint的倾斜的处理(OptimizeSkewInRebalancePartitions)的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
