有没有办法优化 spark sql 代码？

Posted 2023-04-17

【中文标题】有没有办法优化 spark sql 代码？

【英文标题】：is there a way to optimize spark sql code?

【发布时间】：2016-02-03 10:35:30

【问题描述】：

更新：

我正在使用 spark sql 1.5.2。尝试读取许多 parquet 文件并过滤和聚合行 - 在我的 hdfs 中 ~30 个文件中存储了 ~35M 行，处理需要超过 10 分钟

val logins_12 = sqlContext.read.parquet("events/2015/12/*/login")
val l_12 = logins_12.where("event_data.level >= 90").select(
    "pid", 
    "timestamp", 
    "event_data.level" 
    ).withColumn("event_date", to_date(logins_12("timestamp"))).drop("timestamp").toDF("pid",  "level", "event_date").groupBy("pid", "event_date").agg(Map("level"->"max")).toDF("pid", "event_date", "level")
l_12.first()   

我的 spark 在两个节点集群中运行，每个集群有 8 个内核和 16Gb 内存，scala 输出让我认为计算只在一个线程中运行：

scala> x.first()
[Stage 1:=======>                                               (50 + 1) / 368]

当我尝试 count() 而不是 first() 时，看起来两个线程正在执行计算。这仍然比我预期的要少，因为有大约 30 个文件可以并行处理

scala> l_12.count()   
[Stage 4:=====>                                                  (34 + 2) / 368]

我正在启动 spark 控制台，其中 14g 用于执行程序，4g 用于纱线客户端模式下的驱动程序

./bin/spark-shell -Dspark.executor.memory=14g -Dspark.driver.memory=4g --master yarn-client

我的 spark 的默认配置：

spark.executor.memory              2g
spark.logConf                      true
spark.eventLog.dir                 maprfs:///apps/spark
spark.eventLog.enabled             true
spark.sql.hive.metastore.sharedPrefixes  com.mysql.jdbc,org.postgresql,com.microsoft.sqlserver,oracle.jdbc,com.mapr.fs.shim.LibraryLoader,com.mapr.security.JNISecurity,com.mapr.fs.jni
spark.executor.extraClassPath
spark.yarn.historyServer.address  http://test-01:18080

rdd有200个分区

scala> logins_12.rdd.partitions.size
res2: Int = 368
scala> l_12.rdd.partitions.size
res0: Int = 200

有没有办法优化这段代码？ 谢谢

【问题讨论】：

由于您使用first 在某些时候只看到一个活动线程，这并不奇怪。拨打count时问题是否依然存在？

你是对的，当我调用 count 时，它看起来在两个线程中运行，这仍然比我预期的要少一些，因为有 30 个 parquet 文件可以并行映射，并且可以有尽可能多的reducer 作为 pid 和 date 的唯一值。我也会更新我的问题

您还应该提供配置详细信息（集群管理器，spark.executor.cores，默认并行度）。另请检查分区数（logins_12.rdd.partitions.size）。

再次对，抱歉。更新的问题

【参考方案1】：

这两种行为或多或少都是意料之中的。 Spark 相当懒惰，它不仅不会执行转换，除非您触发操作，而且如果输出不需要，它还可以跳过任务。由于first 只需要一个元素，它只能计算一个分区。这很可能是您在某些时候只看到一个正在运行的线程的原因。

关于第二个问题，很可能是配置问题。假设 YARN 配置没有问题（我不使用 YARN，但 yarn.nodemanager.resource.cpu-vcores 看起来可能是问题的根源），这很可能是 Spark 默认值的问题。正如您在 Configuration guide 中看到的那样，Yarn 上的 spark.executor.cores 默认设置为 1。两个工作线程提供两个运行线程。