原文链接 https://medium.com/@QuantumBlack/spark-udf-deep-insights-in-performance-f0a95a4d8c62
编译：抚月，阿里巴巴计算平台事业部 EMR 高级工程师，Apache HDFS Committer，目前从事开源大数据存储和优化方面的工作。
这篇博客会阐述一份关于Apache Spark的在Scala UDF、 PySpark UDF 和PySpark Pandas UDF之间的性能评测报告。
Spark提供了多种解决方案来应对复杂挑战， 但是我们面临了很多场景， 原生的函数不足以解决问题。因此，Spark允许我们注册自定义函数（User-Defined Functions, 或者叫 UDFs）
在这片文章， 我们会探索Spark的UDF的性能特点。
Spark支持多种语言，比如Python, Scala, Java, R, SQL. 但是通常数据操作都是用PySpark或者Spark Scala写的。 我们认为Pyspark被大多数用户采用， 是因为以下原因：
- 更快的学习曲线 -- Python比Scala更简单。
- 更广的社区支持 -- 程序员对Pyspark性能等建议，反馈到社区，形成更好的生态。
- 丰富的可用的类库 -- Python有很多机器学习、时序分析、数理统计的类库。
- 很小的性能差异 -- Spark DataFrames引入之后，意味着Scala和Python的性能几乎相同。 Datafarme现在是按照带名字的列（named columns)来组织的， 这样Spark可以更好地理解Schema。而那些用来构建dataframe的操作，会被Catalyst Optimizer编译成物理执行计划（physical execution plan）来加速计算。
- 数据工程师和数据科学家，交接代码也更简单。有一些dataframe的操作需要UDFs， PySpark可能会有性能问题。有一些解决办法，就是将PySpark和Scala UDF， UDF Wrapper一起使用。
PySpark作业提交的时候， driver端跑在Python上， driver会创建一个SparkSession对象以及Dataframes/RDDs. 这些Python对象是一些wrapper对象， 本质是JVM（Java）对象。 为了简化，PySpark提供了一个wrapper来跑原生Scala代码。
Spark UDF 函数
通过Scala, Python 或者 Java 注册自定义函数，是非常通用的方法， 来扩展SQL用户的能力， 是的用户可以调用这些函数而不需要再写代码。
例如， 将一个100w行的集合乘以1000：
def times1000(field):
return field * 1000.00或者， 对经纬度数据集进行反向地理编码（reverse geocode）：
import geohash
def geohash_pyspark(lat, lon):
return geohash.encode(lat, lon)Spark SQL提供了一种方法， 你可以用自己的编程语言来传入1个函数，从而注册UDF。Scala和Python可以用原生的函数或者lamdba语法，除了Java繁琐一些，需要扩展这个UDF类。
UDF可以作用于多种不同的数据类型，并返回一种不同的类型。在Python和Java里，我们需要指定发返回类型。
UDF可以通过以下方式进行注册：
spark.udf.register("UDF_Name", function_name, returnType())*returnType() 在Python和Java里是强制的。
多种Spark UDF和执行方式
在分布式模式下，Spark使用master/worker架构来执行。调度器（driver）来跟大量的workers（或者叫executors）进行通信。 driver和worker跑在自己的Java进程里。
driver端通过main()方法，创建了SparkContext, RDDs并执行一些变换操作。 Executors负责跑一个个的任务。
性能基准测试
我们创建了一个随机的经纬度数据集， 包含100w条记录， 共1.2GB，来测试3种Spark UDF类型的性能。我们创建了2个UDF：一个简单的乘以1000的函数， 一个复杂的geohash函数。 （所以总共有2 * 3 = 6组测试）
集群配置： 8个节点
Driver节点： 16核 122GB内存
Worker节点： 4核 30.5GB内存，开启自动扩容
Notebook代码： https://bit.ly/2YxiVp4 使用 QuantumBlack’s的方法来跑 Scala UDF, PySpark UDF and PySpark Pandas UDF 的测试。
除了上面3种类型的UDF，我们还创建了Python wrapper， 从而在Pyspark中调用Scala UDF。我们发现这种方式， 既可以使用简单的python编程，又能兼顾Scala UDF的性能。
用Pyspark代码来创建一个Python wrapper：
from pyspark.sql.column import Column
from pyspark.sql.column import _to_java_column
from pyspark.sql.column import _to_seq
from pyspark.sql.functions import col
def udfGeohashScalaWrapper(lat, lon):
_geohash = sc._jvm.sparkudfperformance.UDFs.udfGeohash()
return Column(_geohash.apply(_to_seq(sc, [lat, lon], _to_java_column)))
def udfTimes1000ScalaWrapper(field):
_times1000 = sc._jvm.sparkudfperformance.UDFs.udfTimes1000()
return Column(_times1000.apply(_to_seq(sc, [field], _to_java_column)))Databricks对 Pandas UDF 做过一份性能报告 https://databricks.com/blog/2017/10/30/introducing-vectorized-udfs-for-pyspark.html
重要结论
下面是测试结果
测试结果中， Scala UDF的性能是最好的。 前面提到， Scala和Python之间的转换步骤， 使得Python UDF需要处理更多东西。
我们同时发现，PySpark Pandas UDF在小数据集或者简单函数上，性能好于PySpark UDF。而如果是一个复杂的函数，比如引入了geohash，这种场景下 PySpark UDF的性能会比PySpark Pandas UDF好10倍。
我们还发现了，在PySpark代码里， 创建一个Python wrapper去调用Scala UDF，性能比这两种PySpark UDFs好15倍。
综合考虑了上面的一些性能特征， QuantumBlack公司现在采用的方式是：
- 使用 PySpark UDF， 如果数据集不大，并且需要用简单函数进行快速的数据洞察。
- 构架一个可复用的Scala UDF的内置库。
- 创建Python wrapper来调用Scala UDF