工作常用之Spark调优

Posted 2022-12-02 码农Maynor

第 1 章 Explain 查看执行计划 Spark 3.0 大版本发布， Spark SQL 的优化占比将近 50% 。 Spark SQL 取代 Spark Core ，成 为新一代的引擎内核，所有其他子框架如 Mllib 、 Streaming 和 Graph ，都可以共享 Spark SQL 的性能优化，都能从 Spark 社区对于 Spark SQL 的投入中受益。 要优化 SparkSQL 应用时，一定是要了解 SparkSQL 执行计划的。发现 SQL 执行慢的根 本原因，才能知道应该在哪儿进行优化，是调整 SQL 的编写方式、还是用 Hint 、还是调参， 而不是把优化方案拿来试一遍。 1.1 准备测试用表和数据 1 、上传 3 个 log 到 hdfs 新建的 sparkdata 路径 2 、 hive 中创建 sparktuning 数据库 3 、执行 spark-submit --master yarn --deploy-mode client --driver-memory 1g --num executors 3 --executor-cores 2 --executor-memory 4g --class com.atguigu.sparktuning.utils. InitUtil spark-tuning-1.0-SNAPSHOT-jar with-dependencies.jar 1.2 基本语法 .explain( mode="xxx" ) 从 3.0 开始， explain 方法有一个新的参数 mode ，该参数可以指定执行计划展示格式： ➢ explain(mode="simple") ：只展示物理执行计划。 ➢ explain(mode="extended") ：展示物理执行计划和逻辑执行计划。 ➢ explain(mode="codegen") ：展示要 Codegen 生成的可执行 Java 代码。 ➢ explain(mode="cost") ：展示优化后的逻辑执行计划以及相关的统计。 ➢ explain(mode="formatted") ：以分隔的方式输出，它会输出更易读的物理执行计划， 并展示每个节点的详细信息。 1.3 执行计划处理流程

核心的执行过程一共有 5 个步骤： 这些操作和计划都是 Spark SQL 自动处理的，会生成以下计划： ➢ Unresolved 逻辑执行计划： == Parsed Logical Plan == Parser 组件检查 SQL 语法上是否有问题，然后生成 Unresolved （未决断）的逻辑计划， 不检查表名、不检查列名。 ➢ Resolved 逻辑执行计划： == Analyzed Logical Plan == 通过访问 Spark 中的 Catalog 存储库来解析验证语义、列名、类型、表名等。 ➢ 优化后的逻辑执行计划： == Optimized Logical Plan == Catalyst 优化器根据各种规则进行优化。 ➢ 物理执行计划： == Physical Plan == 1 ） HashAggregate 运算符表示数据聚合，一般 HashAggregate 是成对出现，第一个 HashAggregate 是将执行节点本地的数据进行局部聚合，另一个 HashAggregate 是 将各个分区的数据进一步进行聚合计算。 2 ） Exchange 运算符其实就是 shuffle ，表示需要在集群上移动数据。很多时候 HashAggregate 会以 Exchange 分隔开来。 3 ） Project 运算符是 SQL 中的投影操作，就是选择列（例如： select name, age …）。 4 ） BroadcastHashJoin 运算符表示通过基于广播方式进行 HashJoin 。 5 ） LocalTableScan 运算符就是全表扫描本地的表。 1.4 案例实操 将提供的代码打成 jar 包，提交到 yarn 运行

spark-submit --master yarn --deploy-mode client --driver-memory 1g --num
executors 3 --executor-cores 2 --executor-memory 4g --class
com.atguigu.sparktuning.explain.ExplainDemo spark-tuning-1.0-SNAPSHOT
jar-with-dependencies.jar