技术资讯 | Spark数据分区-Spark streaming&TiSpark
本文是《剖析Spark数据分区》系列文章的第三弹， 本篇我们将分析Spark streaming，TiSpark中的数据分区。
一
K afka +Spark Streaming
图 1
Spark Streaming从Kafka接收数据，转换为Spark Streaming中的数据结构DStream即离散数据流。
数据接收方式有两种 ：
1)使用Receiver接收的旧方法；
2)使用Direct拉取的新方法 （Spark 1.3引入） ；
1）Re ceiver方式
当前spark已经 不支持 该模式。
图 2
receiver模式的 并行度 由spark.streaming.blockInterval决定，默认是200ms。
receiver模式接收block.batch数据后会封装到RDD中，这里的block对应RDD中的partition。
batchInterval一定的情况 下：
减少 spark.streaming.Interval 参数值，会 增大 DStream 中的 partition 个数。
建议 spark.streaming.Interval 最低不能低于 50ms 。
2）Direct方式
图 3
Spark会创建跟Kafka partition一样多的RDD partition，并且会并行从Kafka中读取数据。所以在Kafka partition和RDD partition之间，有一个 一对一 的 映射关系 。
DirectKafkaInputDStream定期生成的RDD的类型是 KafkaRDD 。
我们首先看看 KafkaRDD是 如何划分分区 的：
它会根据从初始化 时接收的offset信息参数，生成KafkaRDDPartition分区； 每个分区对应着Kafka的一个topic partition 的一段数据，这段数据的信息 OffsetRange表示， 它保存了数据的位置。
图 4
下面我们详细分析DirectKafkaInputDStream的compute方法：
图 5
通过源码分析可知：
Partition的计算方法是为topic的每一个partition创建一个OffsetRange，所有的OffsetRange生成一个KafkaRDD。
下面我们分析KafkaRDD的getPartitions方法：
图 6
每个OffsetRange生成一个Partition。
如何 增大RDD的分区数，让每个partition处理的数据量增大 ？
通过 源码分析， 可通过 调小Kafka消息中Topic的分区数目； 想要增加RDD的并行度，可通过调大Kafka消息中Topic的分区数目。
二
Ti Spark
1）TiDB架构
TiDB集群主要 分为3个组件--
TiDB Server 负责接收SQL请求，处理SQL相关的逻辑，并通过PD找到存储计算所需要的TiKV地址，与TiKV交互获取数据，最终返回结构；
TiDB Server 并不存储数据，只负责计算，可以无限水平扩展，可以通过负载均衡组件如LVS, HAProxy，F5等对外提供的接入地址。
图 7
2）TiKV Server
TiKV负责数据存储 ，从外部看是一个分布式的提供事物的Key-Value存储引擎。
存储数据的基本单位是Region，每个Region负责存储一个Key Range ( 从StartKey到EndKey的左闭右开区间) 区间的数据，每个TiKV节点会负责多个Region，数据在多个TiKV之间的负载均衡由PD调度，也是以Region为单位进行调度。
图 8
3）Region
TiDB 的数据分布是 以 Region 为单位 的。一个 Region 包含了一个范围内的数据，通常是 96MB 的大小，Region 的 meta 信息包含了 StartKey 和 EndKey 这两个属性。
当某个 key >= StartKey && key < EndKey 的时候：
我们就知道了这个 key 所在的 Region，然后我们就可以通过查找该 Region 所在的 TiKV 地址，去这个地址读取这个 key 的数据。
获取 key 所在的 Region, 是通过向 PD 发送请求完成的。
GetRegion (ctx context.Context, key []byte) (*metapb.Region, *metapb.Peer, error)
通过调用这个接口，我们就可以定位这个 key 所在的 Region 了。
如果需要获取一个范围内的多个 Region：我们会从这个范围的 StartKey 开始，多次调用 GetRegion 这个接口，每次返回的 Region 的 EndKey 做为下次请求的 StartKey，直到返回的 Region 的 EndKey 大于请求范围的 EndKey。
以上执行过程有一个 很明显的问题 ：就是我们每次读取数据的时候，都需要先去访问 PD，这样会给 PD 带来巨大压力，同时影响请求的性能。
为了解决这个问题：tikv-client 实现了一个 RegionCache 的组件，缓存 Region 信息。
图 9
当需要定位 key 所在的 Region 的时候：如果 RegionCache 命中，就不需要访问 PD 了。
RegionCache 内部有 两种数据结构保存 Region 信息 ：
1) map ； 用 map 可以快速根据 region ID 查找到 Region，
2) b-tree ； 用 b-tree 可以根据一个 key 找到包含该 key 的 Region。
严格来说：PD 上保存的 Region 信息，也是一层 cache；真正最新的 Region 信息是存储在 tikv-server 上的，每个 tikv-server 会自己决定什么时候进行 Region 分裂。
在 Region 变化的时候，把信息上报给 PD，PD 用上报上来的 Region 信息，满足 tidb-server 的查询需求。
当我们从 cache 获取了 Region 信息，并发送请求以后， tikv-server 会对 Region 信息进行校验，确保请求的 Region 信息是正确的。
如果因为 Region 分裂 ，Region 迁移导致了 Region 信息变化。请求的 Region 信息就会过期，这时 tikv-server 就会返回 Region 错误。
遇到了 Region 错误，我们就 需要 清理 RegionCache ，重新 获取最新的 Region 信息 ，并 重新发送请求。
4）TiSpark架构图
图 10
TiSpark深度整合了Spark Catalyst引擎，使得Spark能够高效的读取TiKV中存储的数据进行分布式计算。
下面分析TiRDD中的getPartitions方法：
图 11
通过源码分析：
首先通过 splitRangeByRegion获取keyWithRegionTasks, 对于每一个RegionTask创建一个TiPartition。
可见TiSpark的Partition分区数目与TiKV的region数目一致，如果想要提高TiSpark任务的并行度，可修改如下 两个参数值 ：
1) region-max-size ；
2) region-split-size ；
三
结尾
通过以上种种情况的分析，只要我们能正确的认识在各种场景下分区与task的关系，进而加以实际的对影响分区的参数调优，也可以让数据量大的任务也能快起来，同时能清楚的解答数据分析师的问题。
投稿 | 大数据平台
编辑 | sea
排版 | sea
往期推荐
