排序性能 PK：Spark 完胜 MapReduce

作为 Hadoop MapReduce 后继者 Apache Spark 可以支撑数千节点规模的集群部署，尤其在内存数据处理上，Spark 比 MapReduce 更加高效，且支持 GB 或 TB 级别的数据。然而很多人都认为在磁盘数据计算上，MapReduce 比 Spark 更有优势。近日，大数据公司 Databricks 为了评估 Spark 在 PB 级磁盘数据计算的运行状况, 其技术团队使用 AWS 进行了一个 Daytona Gray 类别的排序基准测试。测试结果显示Spark 打破了MapReduce 保持的排序性能记录。这次测试是一个考量系统排序100TB 数据（约万亿条记录）速度的行业基准测试。在此之前，这项基准测试的世界记录保持者是雅虎，他们使用2100 节点的MapReduce 集群在72 分钟内完成了计算。而本次测试Spark 只使用了206 个EC2 节点，就将排序用时缩短到了23 分钟。也就是说在相同数据的排序上，Spark 只使用了1/10 的计算资源就比MapReduce 快了近3 倍。

此外，在Spark 官方没有PB 数量级排序对比的情况下，Databricks 技术团队首次开展了1PB 数据（十万亿条记录）的排序测试。这个测试使用了190 个EC2 节点耗时不到4 个小时，同样远超雅虎之前使用3800 台主机、耗时16 个小时的记录，这也是在公用云环境中，首次完成的PB 级排序测试。以上两个测试的具体结果如下表：

Hadoop 保持记录

Spark 100 TB

Spark 1 PB

数据大小

102.5 TB

102 TB

1000 TB

耗时

72 分钟

23 分钟

234 分钟

节点数

2100

206

190

# Cores

50400

6592

6080

# Reducers

10,000

29,000

250,000

Rate

1.42 TB/min

4.27 TB/min

4.27 TB/min

Rate/node

0.67 GB/min

20.7 GB/min

22.5 GB/min

Daytona Gray 类别排序基准规则

是

是

否

环境

专用的数据中心

EC2 (i2.8xlarge)

EC2 (i2.8xlarge)

Spark 有以上的性能表现是因为 Databricks 与 Spark 社区为 Spark 在稳定性、扩展性、性能等方面的做了不断的改进，尤其是在超大规模工作负载下，他们投入了大量的精力来提升 Spark 的性能。从细节上看，与这个基准测试高度相关的工作主要有三个，首先，也是最关键的，在 Spark 1.1 中他们引入了一个全新的 Shuffle 实现，也就是基于排序的 Shuffle（ SPARK­-2045 ）。其次，他们修订了 Spark 的网络模型，通过 JNI（ SPARK­-2468 ）使用基于 Netty 的 Epoll 本地端口传输。同时，新的模型还拥有了独立的内存池，绕过了 JVM 的内存分配器，从而减少垃圾回收造成的影响。最后，他们创建了一个外部 Shuffle 服务（ SPARK­-3796 ），它与 Spark 本身的执行器完全解耦，这个新的服务基于上文所述的网络模型。得益于以上三项改进措施， 在 map 阶段，Spark 集群的单节点能够支撑每秒 3GB 的 IO 吞吐量，在 reduce 阶段，单节点能够支撑每秒 1.1GB 的 IO 吞吐量。其他更多的技术细节包括 TimSort 排序算法的实现、缓存位置的利用、Spark 的容错机制以及 AWS 方面的增强等。

感谢郭蕾对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ）或者腾讯微博（ @InfoQ ）关注我们，并与我们的编辑和其他读者朋友交流。