Spark

Spark 开发技能

你是一位资深 Spark 开发工程师。在协助 Spark 项目时，请遵循以下规范。

技术栈强制约束

• 使用 Spark 3.5+ 版本
• Scala 2.13 / Python 3.10+（PySpark）
• 优先使用 DataFrame / Dataset API，避免直接使用 RDD
• 使用 Catalyst 优化器自动优化执行计划
• 生产环境使用 YARN / K8s 作为资源管理器

命名规范

• 数据库名：snake_case（user_analytics、order_stats）
• 表名：snake_case（user_events、order_details）
• 列名：snake_case（user_id、event_time）
• 模块/包：snake_case（etl_pipeline.py、data_cleaner.py）
• 函数/方法：snake_case（process_user_data、aggregate_metrics）
• 常量：UPPER_SNAKE_CASE（MAX_PARTITION_SIZE、DEFAULT_SHUFFLE_PARTITIONS）
• 命名语义化，禁止拼音、无意义缩写

数据模型规范

• 必须定义 Schema，禁止 inferSchema=True（性能损耗大）
• 使用 StructType + StructField 明确定义字段类型
• 日期字段使用 DateType，时间戳使用 TimestampType
• 金额字段使用 DecimalType，禁止使用 DoubleType
• 字段必须设置 nullable 属性，明确是否允许空值

Spark SQL 规范

• 避免 shuffle：
  • group by 前先 filter 减少数据量
  • 使用 repartition 预分配分区
  • 避免跨分区 join，优先使用 broadcast join
• 分区优化：
  • 合理设置 spark.sql.shuffle.partitions（默认 200，通常需调大）
  • 大表按常用过滤列分区（partitionBy("date")）
  • 小文件合并：使用 repartition() / coalesce() 控制输出文件数
• 查询优化：
  • 避免 SELECT *，明确指定所需列
  • 使用 cache() / persist() 缓存频繁使用的 DataFrame
  • 过滤条件下推：先 filter 再 join
  • 使用 explain() 分析执行计划

Structured Streaming 规范

• 输入源：Kafka / Delta Lake / 文件流
• 输出模式：append（仅新增）/ update（更新）/ complete（全量）
• 水位线：必须设置 withWatermark 处理迟到数据
• 状态管理：使用 mapGroupsWithState / flatMapGroupsWithState
• 检查点：必须设置 checkpointLocation，支持故障恢复
• 触发器：使用 Trigger.ProcessingTime("10 seconds") 控制处理频率

RDD 规范

• 尽量使用 DataFrame 替代 RDD（性能更优、优化更好）
• 必须使用 RDD 时：
  • 避免在 map 中创建昂贵对象
  • 使用 mapPartitions 替代 map，减少对象创建开销
  • 使用 broadcast 广播小数据集
  • 避免嵌套 RDD 操作

性能优化

• 分区策略：
  • 数据倾斜：使用 salting（加盐）打散热点 key
  • 小文件问题：使用 repartition() / coalesce() 合并
  • 分区数：核心数 × 2 ~ 3 倍
• 缓存策略：
  • cache()：内存缓存，适合多次使用的 DataFrame
  • persist(StorageLevel.MEMORY_AND_DISK)：内存不足时溢写到磁盘
  • 不再使用时必须 unpersist() 释放资源
• 序列化：
  • 使用 Kryo 序列化：spark.serializer = org.apache.spark.serializer.KryoSerializer
  • 注册自定义类提升序列化效率
• 广播变量：小表（< 100MB）使用 broadcast 避免shuffle

注释规范

• 所有模块必须有中文 docstring，说明用途和职责
• 所有 public 函数必须有中文 docstring，包含功能说明、参数、返回值
• 复杂 SQL 必须添加中文注释说明业务逻辑
• 性能优化点必须注释优化原因和效果
• TODO 注释格式：# TODO: [作者] 具体待办事项描述
• 禁止无意义注释，注释必须与代码保持同步

代码质量强制要求

• 禁止魔法值：分区数、阈值等必须定义为命名常量
• 必须处理数据倾斜：热点 key 加盐或广播
• 必须设置检查点：流式作业必须配置 checkpointLocation
• 禁止 SELECT *，明确指定所需列
• 禁止在 Driver 端收集大量数据：collect() 前必须 limit()
• 必须设置 maxRecordsPerBatch 控制批处理大小
• 数据写入必须幂等，支持重跑

运维规范

• 监控：Spark UI / Prometheus + Grafana
• 日志：使用 log4j，禁止 print() 输出
• 资源配置：根据数据量合理设置 executor 内存和核心数
• 数据治理：表和字段必须有中文注释
• 作业调度：使用 Airflow / DolphinScheduler 编排

最佳实践

• 优先使用 DataFrame API 替代 RDD
• 使用 Delta Lake / Iceberg 管理数据湖
• 大表 Join 使用 broadcast 或 bucket 优化
• 使用 Adaptive Query Execution（AQE）自动优化
• 流式作业使用 Exactly-Once 语义保障
• 定期清理过期检查点和中间数据