Spark 1.6升级2.x防踩坑指南

原创文章，谢绝转载

Spark 2.x自2.0.0发布到目前的2.2.0已经有一年多的时间了，2.x宣称有诸多的性能改进，相信不少使用Spark的同学还停留在1.6.x或者更低的版本上，没有升级到2.x或许是由于1.6相对而言很稳定，或许是升级后处处踩坑被迫放弃。

Spark SQL是Spark中最重要的模块之一，基本上Spark每个版本发布SQL模块都有不少的改动，而且官网还会附带一个Migration Guide帮忙大家升级。问题在于Migration Guide并没有详尽的列出所有变动，本文以SQL模块为主，扒一扒Spark升级2.x过程中可能会踩到的坑。

计算准确性

那些升级后，让你感到心中有千万只草泥马奔腾而过的问题

SELECT '0.1' = 0返回的是true！Spark 2.2中，0.1会被转换为int，如果你的数据类型全部是文本类型，做数值计算时，结果极有可能不正确。之前的版本中0.1会被转换为double类型绝大多数场景下这样的处理是正确的。目前为止，社区还没有很好的处理这个问题，针对这个问题，我给社区提交过一个PR，想要自己解决这个问题的同学，可以手动合并下：https://github.com/apache/spark/pull/18986
过于复杂的SQL语句执行可能会出现64KB字节码编译限制的问题，这算是个老问题了，Spark自从上了Tungsten基本上一直存在这个问题，也算是受到了JVM的限制，遇到此类问题，建议大家找找PR：https://github.com/apache/spark/search?utf8=%E2%9C%93&q=64KB&type=Issues
数据计算精度有问题，SELECT 1 > 0.0001会报错，这个问题已在2.1.2及2.2.0中修复：https://issues.apache.org/jira/browse/SPARK-20211
2.1.0版本中INNER JOIN涉及到常量计算结果不正确，后续版本已修复：https://issues.apache.org/jira/browse/SPARK-19766
2.1.0中，执行GROUPING SET(col)，如果col列数据为null，会报空指针异常，后续版本已修复：https://issues.apache.org/jira/browse/SPARK-19509
2.1.0中，嵌套的CASE WHEN语句执行有可能出错，后续版本已修复：https://issues.apache.org/jira/browse/SPARK-19472

行为变化

那些不算太致命，改改代码或配置就可以兼容的问题。

Spark 2.2的UDAF实现有所变动，如果你的Hive UDAF没有严格按照标准实现，有可能会计算报错或数据不正确，建议将逻辑迁移到Spark AF，同时也能获得更好的性能
Spark 2.x限制了Hive表中spark.sql.*相关属性的操作，明明存在的属性，使用SHOW TBLPROPERTIES tb("spark.sql.sources.schema.numParts")无法获取到，同理也无法执行ALTER TABLE tb SET TBLPROPERTIES ('spark.sql.test' = 'test')进行修改
无法修改外部表的属性ALTER TABLE tb SET TBLPROPERTIES ('test' = 'test')这里假设tb是EXTERNAL类型的表
DROP VIEW IF EXISTS tb，如果这里的tb是个TABLE而非VIEW，执行会报错AnalysisException: Cannot drop a table with DROP VIEW，在2.x以下不会报错，由于我们指定了IF EXISTS关键字，这里的报错显然不合理，需要做异常处理。
如果你访问的表不存在，异常信息在Spark2.x里由之前的Table not found变成了Table or view not found，如果你的代码里依赖这个异常信息，就需要注意调整了。
EXPLAIN语句的返回格式变掉了，在1.6里是多行文本，2.x中是一行，而且内容格式也有稍微的变化，相比Spark1.6，少了Tungsten关键字；EXPLAIN中显示的HDFS路径过长的话，在Spark 2.x中会被省略为...
2.x中默认不支持笛卡尔积操作，需要通过参数spark.sql.crossJoin.enabled开启
OLAP分析中常用的GROUPING__ID函数在2.x变成了GROUPING_ID()
如果你有一个基于Hive的UDF名为abc，有3个参数，然后又基于Spark的UDF实现了一个2个参数的abc，在2.x中，2个参数的abc会覆盖掉Hive中3个参数的abc函数，1.6则不会有这个问题
执行类似SELECT 1 FROM tb GROUP BY 1的语句会报错，需要单独设置spark.sql.groupByOrdinal false类似的参数还有spark.sql.orderByOrdinal false
CREATE DATABASE默认路径发生了变化，不在从hive-site.xml读取hive.metastore.warehouse.dir，需要通过Spark的spark.sql.warehouse.dir配置指定数据库的默认存储路径。
CAST一个不存在的日期返回null，如：year('2015-03-40')，在1.6中返回2015
Spark 2.x不允许在VIEW中使用临时函数（temp function）https://issues.apache.org/jira/browse/SPARK-18209
Spark 2.1以后，窗口函数ROW_NUMBER()必须要在OVER内添加ORDER BY，以前的ROW_NUMBER() OVER()执行会报错
Spark 2.1以后，SIZE(null)返回-1，之前的版本返回null
Parquet文件的默认压缩算法由gzip变成了snappy，据官方说法是snappy有更好的查询性能，大家需要自己验证性能的变化
DESC FORMATTED tb返回的内容有所变化，1.6的格式和Hive比较贴近，2.x中分两列显示
异常信息的变化，未定义的函数，Spark 2.x: org.apache.spark.sql.AnalysisException: Undefined function: 'xxx’., Spark 1.6: AnalysisException: undefined function xxx，参数格式错误：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中已经没有这个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

那些升级到2.x后，发现有问题回退后，让你欲哭无泪的问题。

Spark 2.0开始，SQL创建的分区表兼容Hive了，Spark会将分区信息保存到HiveMetastore中，也就是我们可以通过SHOW PARTITIONS查询分区，Hive也能正常查询这些分区表了。如果将Spark切换到低版本，在更新分区表，HiveMetastore中的分区信息并不会更新，需要执行MSCK REPAIR TABLE进行修复，否则再次升级会出现缺数据的现象。
Spark 2.0 ~ 2.1创建的VIEW并不会把创建VIEW的原始SQL更新到HiveMetastore，而是解析后的SQL，如果这个SQL包含复杂的子查询，那么切换到1.6后，就有可能无法使用这个VIEW表了（1.6对SQL的支持不如2.x）

其他

从2.2.0开始，Spark不在支持Hadoop 2.5及更早的版本，同时也不支持Java 7 了，所以，如果你用的版本比较老，还是尽快升级的比较好。

2.x中对于ThriftServer或JobServer这样的长时间运行的服务，稳定性不如1.6，如果您的计算业务复杂、SQL计算任务繁多、频繁的更新数据、处理数据量较大，稳定性的问题更加凸显。稳定性问题主要集中在内存方面，Executor经常出现堆外内存严重超出、OOM导致进程异常退出等问题。Executor进程OOM异常退出后相关的block-mgr目录（也就是SPARK_LOCAL_DIRS）并不会被清理，这就导致Spark Application长时间运行很容易出现磁盘被写满的情况。

总结

Spark 2.x中为了性能，SQL模块的改动相当大，这也导致Bug变多，稳定性变差。当然，随着Spark的不断改进迭代，这些问题也在逐步缓解。

对于一个计算服务，相比性能，数据计算的正确性及稳定性更加重要。建议尚未升级到2.x的同学，最好使用最新的Spark版本做升级；升级前，务必结合自己的业务场景做好充分的测试，避免踩坑。

本文同步更新到微信公众号，欢迎扫码关注。