浅谈spark的数据本地性（data locality）

Spark其中一个特性就是数据本地性，简单的说就是“移动数据不如移动计算”。

因为数据在网络传输中会有不小的I/O消耗，并且传输距离越长消耗越大。

所以，数据本地性可以理解为数据传输距离，而我们的目的就是避免数据在网络中传输或尽量减少传输的距离。

根据传输的距离，我们可以对数据本地性根据传输距离进行分级。

查看Spark Web UI任务信息，我们可以看到下面的信息,其中Locality Level 一栏就是数据本地性的情况。

PROCESS_LOCAL：要处理的数据在同一个本地进程，
即数据和Task在同一个Excutor JVM中。
这种情况是RDD的数据经过缓存，此时不需要网络传输，是最优locality。(但是数据要先缓存)。
NODE_LOCAL：分两种情况：
一是数据和Task在同一节点上的不同executor中；
二是数据HDFS和Task在同一个结点上，
此时需要进行进程间进行传输，速度比PROCESS_LOCAL略慢。
NO_PREF：数据从哪访问都一样，相当于没有数据本地性
一般值从Mysql之类的数据源读取数据。
RACK_LOCAL：数据与Task在同机架的不同节点

此时需要通过网络传输，速度比NODE_LOCAL慢。
ANY：数据和Task可能在集群的任何地方，
性能最差，一般出现这种情况就该排查原因了

Spark程序调度过程中不一定严格按照计算出来的数据本地性进行执行。

因为我们的任务是并行执行的，但是Executor的core资源有限，在你计算出来最优本地性的时候也许资源被占用。

此时如果我们降级到其他本地性级别也许整体效率更高。

所以，我们可以通过一些参数，控制等待时间，

一旦到达等待时间仍然没有获得资源，就尝试降低本地性级别让其他Excutor 执行。

lillcol