禁用火花催化剂优化器

Posted 2023-03-05

【中文标题】禁用火花催化剂优化器

【英文标题】：Disable spark catalyst optimizer

【发布时间】：2018-10-20 11:26:38

【问题描述】：

为了提供一些背景知识，我尝试在使用和不使用 Spark 催化剂优化器的情况下在 Spark 上运行 TPCDS 基准测试。对于较小数据集的复杂查询，我们可能花费更多时间优化计划而不是实际执行计划。因此想要衡量优化器对查询整体执行的性能影响

有没有办法禁用部分或全部火花催化剂优化规则？

【问题讨论】：

非常好的问题。大多数情况下，对于复杂的查询，催化剂带来的痛苦多于收获。

【参考方案1】：

此功能已作为 Spark-2.4.0 的一部分添加到 SPARK-24802。

val OPTIMIZER_EXCLUDED_RULES = buildConf("spark.sql.optimizer.excludedRules")
    .doc("Configures a list of rules to be disabled in the optimizer, in which the rules are " +
      "specified by their rule names and separated by comma. It is not guaranteed that all the " +
      "rules in this configuration will eventually be excluded, as some rules are necessary " +
      "for correctness. The optimizer will log the rules that have indeed been excluded.")
    .stringConf
    .createOptional

您可以找到优化器规则列表here。 但理想情况下，我们不应该禁用规则，因为它们中的大多数都提供了性能优势。我们应该找出消耗时间的规则，检查是否对查询没有用处，然后禁用它们。

【参考方案2】：

我知道这不是确切的答案，但它可以帮助你。

假设您的驱动程序不是多线程的。 （如果 Catalyst 很慢，提示优化？:)）

如果您想测量在 Catalyst 中花费的时间，只需转到 Spark UI 并检查您的执行程序空闲了多少时间，或查看阶段/作业列表。

如果您有一个工作在 15:30 开始，持续时间为 30 秒，而下一个工作在 15:32 开始，这可能意味着催化剂需要 1:30 进行优化（假设没有完成繁重的驱动工作）。

或者更好的是，只需在调用 Spark 中的每个操作之前放置日志，然后检查在任务实际发送到执行程序之前经过了多少时间。

【参考方案3】：

为了完成，我在这个拉取请求上问了SPARK-24802 怎么做，Takeshi Yamamuro 友好地回答：

scala> Seq("abc", "def").toDF("v").write.saveAsTable("t")
scala> sql("SELECT * FROM t WHERE v LIKE '%bc'").explain()
== Physical Plan ==
*(1) Project [v#18]
+- *(1) Filter (isnotnull(v#18) AND EndsWith(v#18, bc))
                                    ^^^^^^^^
   +- *(1) ColumnarToRow
      +- FileScan parquet default.t[v#18] ...

scala> sql("SET spark.sql.optimizer.excludedRules=org.apache.spark.sql.catalyst.optimizer.LikeSimplification")

scala> sql("SELECT * FROM t WHERE v LIKE '%bc'").explain()
== Physical Plan ==
*(1) Project [v#18]
+- *(1) Filter (isnotnull(v#18) AND v#18 LIKE %bc)
                                         ^^^^
   +- *(1) ColumnarToRow
      +- FileScan parquet default.t[v#18] ...

我希望这会有所帮助。