Spark 1.6升級2.x防踩坑指南 - jasondan－IT工程師數位筆記本

文章出處

原創文章，謝絕轉載

Spark 2.x自2.0.0發布到目前的2.2.0已經有一年多的時間了，2.x宣稱有諸多的性能改進，相信不少使用Spark的同學還停留在1.6.x或者更低的版本上，沒有升級到2.x或許是由于1.6相對而言很穩定，或許是升級后處處踩坑被迫放棄。

Spark SQL是Spark中最重要的模塊之一，基本上Spark每個版本發布SQL模塊都有不少的改動，而且官網還會附帶一個Migration Guide幫忙大家升級。問題在于Migration Guide并沒有詳盡的列出所有變動，本文以SQL模塊為主，扒一扒Spark升級2.x過程中可能會踩到的坑。

計算準確性

那些升級后，讓你感到心中有千萬只草泥馬奔騰而過的問題

SELECT '0.1' = 0返回的是true！Spark 2.2中，0.1會被轉換為int，如果你的數據類型全部是文本類型，做數值計算時，結果極有可能不正確。之前的版本中0.1會被轉換為double類型絕大多數場景下這樣的處理是正確的。目前為止，社區還沒有很好的處理這個問題，針對這個問題，我給社區提交過一個PR，想要自己解決這個問題的同學，可以手動合并下：https://github.com/apache/spark/pull/18986
過于復雜的SQL語句執行可能會出現64KB字節碼編譯限制的問題，這算是個老問題了，Spark自從上了Tungsten基本上一直存在這個問題，也算是受到了JVM的限制，遇到此類問題，建議大家找找PR：https://github.com/apache/spark/search?utf8=%E2%9C%93&q=64KB&type=Issues
數據計算精度有問題，SELECT 1 > 0.0001會報錯，這個問題已在2.1.2及2.2.0中修復：https://issues.apache.org/jira/browse/SPARK-20211
2.1.0版本中INNER JOIN涉及到常量計算結果不正確，后續版本已修復：https://issues.apache.org/jira/browse/SPARK-19766
2.1.0中，執行GROUPING SET(col)，如果col列數據為null，會報空指針異常，后續版本已修復：https://issues.apache.org/jira/browse/SPARK-19509
2.1.0中，嵌套的CASE WHEN語句執行有可能出錯，后續版本已修復：https://issues.apache.org/jira/browse/SPARK-19472

行為變化

那些不算太致命，改改代碼或配置就可以兼容的問題。

Spark 2.2的UDAF實現有所變動，如果你的Hive UDAF沒有嚴格按照標準實現，有可能會計算報錯或數據不正確，建議將邏輯遷移到Spark AF，同時也能獲得更好的性能
Spark 2.x限制了Hive表中spark.sql.*相關屬性的操作，明明存在的屬性，使用SHOW TBLPROPERTIES tb("spark.sql.sources.schema.numParts")無法獲取到，同理也無法執行ALTER TABLE tb SET TBLPROPERTIES ('spark.sql.test' = 'test')進行修改
無法修改外部表的屬性ALTER TABLE tb SET TBLPROPERTIES ('test' = 'test')這里假設tb是EXTERNAL類型的表
DROP VIEW IF EXISTS tb，如果這里的tb是個TABLE而非VIEW，執行會報錯AnalysisException: Cannot drop a table with DROP VIEW，在2.x以下不會報錯，由于我們指定了IF EXISTS關鍵字，這里的報錯顯然不合理，需要做異常處理。
如果你訪問的表不存在，異常信息在Spark2.x里由之前的Table not found變成了Table or view not found，如果你的代碼里依賴這個異常信息，就需要注意調整了。
EXPLAIN語句的返回格式變掉了，在1.6里是多行文本，2.x中是一行，而且內容格式也有稍微的變化，相比Spark1.6，少了Tungsten關鍵字；EXPLAIN中顯示的HDFS路徑過長的話，在Spark 2.x中會被省略為...
2.x中默認不支持笛卡爾積操作，需要通過參數spark.sql.crossJoin.enabled開啟
OLAP分析中常用的GROUPING__ID函數在2.x變成了GROUPING_ID()
如果你有一個基于Hive的UDF名為abc，有3個參數，然后又基于Spark的UDF實現了一個2個參數的abc，在2.x中，2個參數的abc會覆蓋掉Hive中3個參數的abc函數，1.6則不會有這個問題
執行類似SELECT 1 FROM tb GROUP BY 1的語句會報錯，需要單獨設置spark.sql.groupByOrdinal false類似的參數還有spark.sql.orderByOrdinal false
CREATE DATABASE默認路徑發生了變化，不在從hive-site.xml讀取hive.metastore.warehouse.dir，需要通過Spark的spark.sql.warehouse.dir配置指定數據庫的默認存儲路徑。
CAST一個不存在的日期返回null，如：year('2015-03-40')，在1.6中返回2015
Spark 2.x不允許在VIEW中使用臨時函數（temp function）https://issues.apache.org/jira/browse/SPARK-18209
Spark 2.1以后，窗口函數ROW_NUMBER()必須要在OVER內添加ORDER BY，以前的ROW_NUMBER() OVER()執行會報錯
Spark 2.1以后，SIZE(null)返回-1，之前的版本返回null
Parquet文件的默認壓縮算法由gzip變成了snappy，據官方說法是snappy有更好的查詢性能，大家需要自己驗證性能的變化
DESC FORMATTED tb返回的內容有所變化，1.6的格式和Hive比較貼近，2.x中分兩列顯示
異常信息的變化，未定義的函數，Spark 2.x: org.apache.spark.sql.AnalysisException: Undefined function: 'xxx’., Spark 1.6: AnalysisException: undefined function xxx，參數格式錯誤：Spark 2.x:Invalid number of arguments, Spark 1.6: No handler for Hive udf class org.apache.hadoop.hive.ql.udf.generic.GenericUDAFXXX because: Exactly one argument is expected..
Spark Standalone的WebUI中已經沒有這個API了：/api/v1/applications：https://issues.apache.org/jira/browse/SPARK-12299，https://issues.apache.org/jira/browse/SPARK-18683

版本回退

那些升級到2.x后，發現有問題回退后，讓你欲哭無淚的問題。

Spark 2.0開始，SQL創建的分區表兼容Hive了，Spark會將分區信息保存到HiveMetastore中，也就是我們可以通過SHOW PARTITIONS查詢分區，Hive也能正常查詢這些分區表了。如果將Spark切換到低版本，在更新分區表，HiveMetastore中的分區信息并不會更新，需要執行MSCK REPAIR TABLE進行修復，否則再次升級會出現缺數據的現象。
Spark 2.0 ~ 2.1創建的VIEW并不會把創建VIEW的原始SQL更新到HiveMetastore，而是解析后的SQL，如果這個SQL包含復雜的子查詢，那么切換到1.6后，就有可能無法使用這個VIEW表了（1.6對SQL的支持不如2.x）

其他

從2.2.0開始，Spark不在支持Hadoop 2.5及更早的版本，同時也不支持Java 7 了，所以，如果你用的版本比較老，還是盡快升級的比較好。

2.x中對于ThriftServer或JobServer這樣的長時間運行的服務，穩定性不如1.6，如果您的計算業務復雜、SQL計算任務繁多、頻繁的更新數據、處理數據量較大，穩定性的問題更加凸顯。穩定性問題主要集中在內存方面，Executor經常出現堆外內存嚴重超出、OOM導致進程異常退出等問題。Executor進程OOM異常退出后相關的block-mgr目錄（也就是SPARK_LOCAL_DIRS）并不會被清理，這就導致Spark Application長時間運行很容易出現磁盤被寫滿的情況。