最新博客
最新资源下载
Apache Kyuubi 助力 CDH 解锁 Spark SQL
Apache Kyuubi(Incubating)（下文简称Kyuubi）是⼀个构建在Spark SQL之上的企业级JDBC网关，兼容HiveServer2通信协议，提供高可用、多租户能力。Kyuubi 具有可扩展的架构设计，社区正在努力使其能够支持更多通信协议（如 RESTful、 MySQL）和计算引擎（如Flink）。
Kyuubi的愿景是让大数据平民化。一个的典型使用场景是替换HiveServer2，帮助企业把HiveQL迁移到Spark SQL，轻松获得10~100倍性能提升（具体提升幅度与SQL和数据有关）。另外最近比较火的两个技术，LakeHouse和数据湖，都与Spark结合得比较紧密，如果我们能把计算引擎迁移到Spark上，那我们离这两个技术就很近了。
Kyuubi最早起源于网易，这个项目自诞生起就是开源的。在Kyuubi发展的前两年，它的使用场景主要在网易内部。自从2020年底进行了一次架构大升级、发布了Kyuubi 1.0之后，整个Kyuubi社区开始活跃起来了，项目被越来越多的企业采用，然后在今年6月进入了Apache基金会孵化器，并在今年9月发布了进入孵化器后的第一个版本1.3.0-incubating。
Kyuubi vs SparkThriftServer vs HiveServer2
我们通过Kyuubi和其他SQL on Spark方案的对比，看看用Kyuubi替换 HiveServer2能带来什么样的提升。图中对Hive Server2标记了Hive on Spark，这是Hive2的一个功能，最早的Hive会把SQL翻译成MapReduce来执行，Hive on Spark方案其实就是把SQL翻译成Spark算子来执行，但是这仅仅是物理算子的替换，因为复用了Hive的SQL解析逻辑，所以SQL方言还是HiveQL，包括后续SQL的改写、优化走的都是Hive的优化器。Spark2放弃了Hive on Spark方案，选择从头开始做SQL解析、优化，创造了Spark SQL和Catalyst。所以说，Spark Thrift Server只是兼容了HiveServer2的Thrift通信协议，它整个SQL的解析、优化都被重写了。
Kyuubi也是用Spark来解析、优化和执行SQL，所以对于用户来说，客户端与服务端的通信协议是一模一样的，因为大家兼容的都是HiveServer2的通信协议。但是在SQL方言上，Kyuubi和Spark Thrift Server是Spark SQL，HiveServer2是HiveQL。SQL的编译和优化过程，HiveServer2在本进程上进行，Spark是在Driver端进行。对于STS，Thrift Server和Driver在同一个进程内；对于Kyuubi，Thrift Server和Spark Driver是分离的，它们可以跑在同一台机器上的不同进程（如YARN Client模式），也可以跑在不同的机器上（如YARN Cluster模式）。
对于执行阶段，当一条SQL提交后，HiveServer2会将其翻译成了一个Spark Application，每一次SQL提交就会生成一个全新的Spark的应用，都会经历Driver的创建、Executor的创建过程，SQL执行结束后再将其销毁掉。Spark Thrift Server则是完全相反的方式，一个Spark Thrift Server只持有一个Driver，Driver是常驻的，所有的SQL都会由这一个Driver来编译、执行。Kyuubi不仅对这两种方式都支持，还支持了更灵活的Driver共享策略，会在后续详细介绍。
Kyuubi on Spark与CDH集成
CDH是使用最广泛的Apache Hadoop发行版之一，其本身集成了Spark，但是禁用了Spark Thrift Server功能和spark-sql命令，使得用户只能通过spark-shell、spark-submit使用Spark，故而在CDH上使用Spark SQL具有一定的门槛。在CDH上SQL方案用得更多的往往是Hive，比如说我们可以通过Beeline、HUE连接HiveServer2，来进行SQL批任务提交或交互式查询，同时也可以通过Apache Superset这类BI工具连接到HiveServer2上做数据可视化展示，背后最终的计算引擎可以是MapReduce，也可以是Spark。
当我们引入Kyuubi后，图中左侧的这些Client都是不需要更改的，只需要部署Spark3和Kyuubi Server（当前Kyuubi仅支持Spark3），再把Client连接地址改一下，即可完成从HiveQL到Spark SQL的迁移。当然其间可能会碰到HiveQL方言跟Spark SQL方言的差异性问题，可以结合成本选择修改Spark或者修改SQL来解决。
Kyuubi中有一个重要的概念叫作引擎共享级别（Engine Share Level），Kyuubi通过该特性提供了更高级的Spark Driver共享策略。Spark Engine与Spark Driver概念是等价的，都对应一个Spark Application。Kyuubi目前提供了三种Engine共享级别，SERVER、USER和CONNECTION，缺省是USER模式。
SERVER模式类似Spark Thrift Server，Kyuubi Server只会持有一个Spark Engine，即所有的查询都会提交到一个Engine上来跑。USER模式即每个用户会使用独立的Engine，能做到用户级别的隔离，这也是更具普适性的一种方式，一方面不希望太浪费资源，每个SQL都起一个Engine，另一方面也希望保持一定的隔离性。CONNECTION模式是指Client每建立一个连接，就创建一个Engine，这种模式和Hive Server2较为类似，但不完全一致。CONNECTION模式比较适合跑批计算，比如ETL任务，往往需要数十分钟甚至几个小时，用户不希望这些任务互相干扰，同时也希望不同的SQL有不同的配置，例如为Driver分配2G内存还是8G内存。总的来说，CONNECTION模式比较适合跑批任务或者大任务，USER模式比较适合HUE交互式查询的场景。
大家可能会担心，我们是不是对Spark做了很厚的一层包装，限制了很多功能？其实不是的，所有的Spark的configuration在Kyuubi中都是可用的。当一个请求发送给Kyuubi时，Kyuubi会去找一个合适的Engine跑这个任务，如果找不到它就会通过拼接spark-submit命令来创建一个Engine，所以所有的Spark支持的configuration都可以用。如图中列举了YARN Client和YARN Cluster两种模式，怎么写配置，Spark Driver就跑在什么地方，改成K8s，Driver就跑在Kubernetes里面，所以Kyuubi对Kubernetes的支持也是水到渠成的。
还有一个用户常问的问题，是不是USER模式或者CONNECTION模式，每一个场景都需要单独部署一套Kyuubi Server？不需要。我们可以把常用的配置固化在kyuubi-defaults.conf里面，当Client连接Kyuubi Server时，可以通过在URL里面写一些配置参数来覆盖默认配置项，比如缺省使用的是USER模式，提交批任务时选择CONNECTION模式。
Kyuubi 引擎隔离级别的实现
Kyuubi多种灵活的隔离级别是怎么实现的？下图绿色的组件即Service Discovery Layer，目前通过ZooKeeper实现，但它本质上是一个服务注册/发现的组件。我们已经发现有开发者把Kyuubi集成到Kubernetes上，用API Server来实现Service Discovery Layer，该功能目前还没有提交给社区。
上图中的User Side即Client侧，社区目前策略是完全兼容Hive的Client，以更好的复用Hive生态。Hive本身通过ZooKeeper实现了Client侧的HA模式，Server启动以后，会将自身按照一定的规则注册到ZooKeeper里面，Beeline或者其他Client连接的时候，将连接地址设置成ZooKeeper集群的地址，Client即可以发现指定的路径下所有的Server，随机选择其中一个来连接。这是HiveServer2协议的一部分，Kyuubi是完全兼容的。
Kyuubi Server与Engine之间也使用了类似的服务注册与发现机制，Engine在Zookeeper上的注册路径会遵守一定的规则，例如在USER隔离级别下，路径规则是/kyuubi_USER/{username}/{engine_node}。Kyuubi Server接到连接请求，会按照规则从特定路径下查找可用的Engine节点。若找到，直接连接该Engine；若找不到，创建一个Engine并等待其启动完成，Engine启动完成后，会按照相同的规则在指定路径下创建一个engine节点，并把自己的（包含连接地址、版本等）填写到节点里。在YARN Cluster模式下，Engine会被分配到YARN集群任意节点启动，正是通过这种机制，Server才能找到并连接Engine。
对于CONNECTION模式，每一个Engine只会被连接一次，为了实现这个效果，Kyuubi设计了如下的路径规则，/kyuubi_CONNECTION/{username}/{uuid}/{engine_node}，通UUID的唯一性来实现隔离。所以Kyuubi实现引擎隔离级别的方式是一个非常灵活的机制，我们目前支持了SERVER、USER和CONNECTION，但通过简单的扩展，它就可以支持更多更灵活的模式。在代码主线分支上，社区目前已经实现了额外的两个共享级别，一个是GROUP，可以让一组用户来共享一个Engine；另外一个是Engine Pool，可以让一个用户来使用多个Engine以提高并发能力，一个适用的场景是BI图表展示，例如为Superset配置一个Service Account，对应多个Engine，当几百个图表一起刷新时，可以将计算压力分摊到不同Engine上。
Kyuubi实践 | 编译Spark3.1以适配CDH5并集成Kyuubihttps://mp.weixin.qq.com/s/lgbmM1qNetuPB0-j-TAzkQApache Kyuubi on Spark 在CDH上的深度实践https://my.oschina.net/u/4565392/blog/5264848
我们在Kyuubi的官方公众号提供了两篇文章，内容包含了将Kyuubi集成到CDH平台上的具体操作过程，第一篇描述了与CDH5(Hadoop2，启用Kerberos)的集成，第二篇描述了CDH6(Hadoop3，未启用Kerberos)的集成。对于集成其他非CDH平台的Hadoop发行版，也具有一定的参考价值。
Spark 3 特性以及 Kyuubi 带来的增强
动态资源分配
首先是动态资源分配，Spark本身已经提供了Executor的动态伸缩能力。可以看到，这几个参数配置在语义上是非常明确的，描述了Executor最少能有多少个，最多能有多少个，最大闲置时长，以此控制Executor的动态创建和释放。
spark.dynamicAllocation.enabled=true
spark.dynamicAllocation.minExecutors=0
spark.dynamicAllocation.maxExecutors=30
spark.dynamicAllocation.executorIdleTimeout=120
引入了Kyuubi后，结合刚才提到的Share Level和Engine的创建机制，我们可以实现Driver的动态创建，然后我们还引入了一个参数，engine.idle.timeout，约定Driver闲置了多长时间以后也释放，这样就实现Spark Driver的动态创建与释放。
kyuubi.engine.share.level=CONNECTION|USER|SERVER
kyuubi.session.engine.idle.timeout=PT1H这里要注意，因为CONNECTION场景比较特殊，Driver是不会被复用的，所以对于CONNECTION模式，engine.idle.timeout是没有意义的，只要连接断开Driver就会立刻退出。
Adaptive Query Execution
Adaptive Query Execution（AQE）是Spark 3带来的一个重要特性，简而言之就是允许SQL边执行边优化。就拿Join作为例子来说，等值的Inner Join，大表对大表做Sort Merge Join，大表对小表做Broadcast Join，但大小表的判断发生在SQL编译优化阶段，也就是在SQL执行之前。
我们考虑这样一个场景，两个大表和大表Join，加了一个过滤条件，然后我们发现跑完过滤条件之后，它就变成了一个大表和一个小表Join了，可以满足Broadcast Join的条件，但因为执行计划是在没跑SQL之前生成的，所以它还是一个Sort Merge Join，这就会引入一个不必要的Shuffle。这就是AQE优化的切入点，可以让SQL先跑一部分，然后回头再跑优化器，看看能不能满足一些优化规则来让SQL执行得更加高效。
另一个典型的场景是数据倾斜。我们讲大数据不怕数据量大，但是怕数据倾斜，因为在理想情况下，性能是可以通过硬件的水平扩展来实现线性的提升，但是一旦有了数据倾斜，可能会导致灾难。还是以Join为例，我们假定是一个等值的Inner Join，有个别的partition特别大，这种场景我们会有一些需要修改SQL的解决方案，比如把这些大的挑出来做单独处理，最后把结果Union在一起；或者针对特定的Join Key加盐，比如加一个数字后缀，将其打散，但是同时还要保持语义不变，就是说右表对应的数据要做拷贝来实现等价的Join语义，最后再把添加的数字后缀去掉。
可以发现，这样的一个手工处理方案也是有一定规律可循的，在Spark中将该过程自动化了，所以在Spark3里面开启了AQE后，就能自动帮助解决这类Join的数据倾斜问题。如果我们的ETL任务里面有很多大表Join，同时数据质量比较差，有严重的数据倾斜，也没有精力去做逐条SQL的优化，这样情况从HiveQL迁到Spark SQL上面可以带来非常显著的性能提升，10到100倍一点也不夸张！
Extension
Spark通过Extension API提供了扩展能力，Kyuubi提供了KyuubiSparkSQLExtension，利用Extension API在原有的优化器上做了一些增强。这里列举了其中一部分增强规则，其中有Z-order功能，通过自定义优化器规则支持了数据写入时Z-order优化排序的的功能，并且通过扩展SQL语法实现了Z-order语法的支持；也有一些规则丰富了监控统计信息；还有一些规则限制了查询分区扫描数量，和结果返回数量等。
以RepartitionBeforeWriteHive为例做下简单介绍，这条规则用于解决Hive的小文件写入问题。对于Hive动态分区写入场景，如果执行计划最后一个stage，在写入Hive表之前，DataFrame的Partition分布与Hive表的Partition分布不一致，在数据写入时，每一个task就会将持有的数据写到很多Hive表分区里面，就会生成大量的小文件。当我们开启RepartitionBeforeWriteHive规则以后，它会在写入Hive表之前依照Hive表的分区插入一个Repartition算子，保证相同Hive表分区的数据被一个task持有，避免写入产生大量的小文件。
Kyuubi为所有规则都提供了开关，如果你只希望启用其中部分规则，参考配置文档将其打开即可。KyuubiSparkSQLExtension提供一个Jar，使用时，可以把Jar拷贝到${SPAKR_HOME}/jars下面，或命令参数--jar添加Jar，然后开启KyuubiSparkSQLExtension，并根据配置项来选择开启特定功能。
Spark on ClickHouse
Data Source V2 API也是Spark3引入的一个重要特性。Data Source V2最早在Spark 2.3提出，在Spark 3.0被重新设计。下图用多种颜色标记不同的Spark版本提供的Data Source V2 API，我们可以看到，每个版本都加了大量的API。可以看出，DataSourceV2 API 功能十分丰富，但我们更看重的是它有一个非常良好的扩展性，使得API可以一直进化。
Apache Iceberg在现阶段对Data Source V2 API提供了一个比较完整的适配，因为Iceberg的社区成员是Data Source V2 API主要设计者和推动者，这也为我们提供了一个非常好的Demo。
ClickHouse目前在OLAP领域，尤其在单表查询领域可以说是一骑绝尘，如果我们能结合Spark和ClickHouse这两个大数据组件，让Spark读写ClickHouse像访问Hive表一样简单，就能简化很多工作，解决很多问题。
基于Data Source V2 API，我们实现了并开源了Spark on ClickHouse，除了适配API提升Spark操作ClickHouse的易用性，也十分注重性能，其中包括了支持本地表的透明读写。ClickHouse基于分布式表和本地表实现了一套比较简单的分布式方案。如果直接写分布式表，开销是比较大的，一个变通的方案是修改调整逻辑，手动计算分片，直接写分布式表背后的本地表，该方案繁琐且有概率出错。当使用Spark ClickHouse Connector写ClickHouse分布式表时，只需使用SQL或者DataFrame API，框架会自动识别分布式表，并尝试将对其分布式表的写入转化成对本地表的写入，实现自动透写本地表，带来很大的性能提升。
项目地址：https://github.com/housepower/spark-clickhouse-connector
下图描绘了经过改造之后的新一代数据平台，改造带来了十分显著的收益。在硬件资源不变的情况下，首先，Daily Batch ETL从8个小时下降到了2个小时；其次，通过引入Iceberg和增量同步，数据的时效性是从天级降至十分钟级；第三，收缩计算引擎，原有平台需要搭配Hive、Elasticsearch、Presto、MongoDB、Druid、Spark、Kylin等多种计算引擎满足不同的业务场景，在新平台中，Spark和ClickHouse可以满足大部分场景，大大减少了计算引擎的维护成本；最后，缩短了数据链路，在以前，受限于RDMS的计算能力，我们往往在数据展示前需要进行一遍一遍的加工，最终把聚合结果放到MySQL里面，但是当引入ClickHouse以后，通常只要把数据加工成主题大宽表，报表展示借助ClickHouse强悍的单表计算能力，现场计算就可以了，所以数据链路会短很多。
Kyuubi 社区展望
最后展望一下Kyuubi社区未来的发展。刚才提到了Kyuubi架构是可扩展的，目前Kyuubi兼容HiveServer2，是因为仅实现了Thrift Binary协议；Kyuubi目前仅支持Spark引擎，Flink引擎正在开发中，这项工作由T3出行的社区伙伴在做。RESTful Frontend社区也正在做，这样我们也可以提供RESTful API。我们还计划提供MySQL的API，这样用户就可以直接使用MySQL Client或MySQL JDBC Driver来连接。后面附了社区里面相关的issue或者PR。
如下是即将出现在1.4版本中的一些特性，包括刚才已经提到过的Engine Pool、Z-order、Kerberos相关的解决方案，以及新发布的Spark 3.2的适配工作。
[KYUUBI #913] Support long running Kerberos enabled SQL engine
[KYUUBI #939] Add Z-Order extensions to support optimize SQL
[KYUUBI #962] Support engine pool feature
[KYUUBI #981] Add more detail stats to kyuubi engine page
[KYUUBI #1059] Add Plan Only Operations
[KYUUBI #1085] Add forcedMaxOutputRows rule for limitation
[KYUUBI #1131] Rework kyuubi-hive-jdbc module
[KYUUBI #1206] Support GROUP for engine.share.level
[KYUUBI #1224] Support Spark 3.2
. . .最后展示一下已知使用Kyuubi的企业，如果你也使用Kyuubi，或者在调研企业级的Spark SQL Gateway方案，有任何相关的问题，欢迎可以到我们社区里面分享、讨论。
GitHub分享页面：https://github.com/apache/incubator-kyuubi/discussions/925
结语
本文根据网易数帆大数据平台专家、Apache Kyuubi(Incubating) PPMC成员潘成在 Apache Hadoop Meetup 2021 北京站的分享内容整理，重点结合实际落地的案例讲述了如何实现 Apache Kyuubi(Incubating) on Spark和CDH集成，以及该方案为企业数据平台建设带来的收益，并展望了Apache Kyuubi(Incubating) 社区未来的发展。
Apache Kyuubi(Incubating)项目地址：
https://github.com/apache/incubator-kyuubi
视频回放：
https://www.bilibili.com/video/BV1Lu411o7uk?p=20
案例分享：
