本文主要是介绍SparkSQL在字节跳动的应用实践和优化实战,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
来源:字节跳动白泉的分享
作者:大数据技术与架构整理
By 大数据技术与架构
场景描述: 面对大量复杂的数据分析需求,提供一套稳定、高效、便捷的企业级查询分析服务具有重大意义。本次演讲介绍了字节跳动基于SparkSQL建设大数据查询统一服务TQS(Toutiao Query Service)的一些实践以及在执行计划调优、数据读取剪枝、SQL兼容性等方面对SparkSQL引擎的一些优化。
关键词:SparkSQL优化 字节跳动
本文是根据来自字节跳动的分享整理而成。
作者来自字节跳动数据平台查询分析团队。
为公司内部提供 Hive 、 Spark - SQL 等 OLAP 查询引擎服务支持。
针对SparkSQL,主要做了以下优化:
1. 执行计划自动调优
•基于AE的 ShuffledHashJoin调整
•Leftjoinbuildleftmap技术
2. 数据读取剪枝
•Parquetlocalsort
•BloomFilter&BitMap
•Prewhere
3. 一些其它优化
Spark Adaptive Execution ( Intel®Software),简称SparkAE,总体思想是将sparksql生成的1个job中的所有stage单独执行,为每一个stage单独创建一个子job,子job执行完后收集该stage相关的统计信息(主要是数据量和记录数),并依据这些统计信息优化调整下游stage的执行计划。
目前SparkAE主要支持的功能:
(1)数据倾斜的调整
(2)小task的合并
(3)sortmerge-> broadcase
Spark 有3种join方式:Broadcastjoin、ShuffledHashJoin、SortMergeJoin
普通leftjoin无法build 左表
优化点:
在AE的框架下,根据shuffle数据量大小,自动调整join执行计划:SortMergeJoin调整为 ShuffledHashJoin•扩展支持left-join时将左表build成HashMap。
省去了大表join小表的情况下对shuffle数据的排序过程、join过程以HashMap完成,实现join提速。
1、初始化表A的一个匹配记录的映射表
目标:
对于Left-join的情况,可以对左表进行HashMapbuild。使得小左表leftjoin大右表的情况可以进行ShuffledHashJoin调整
难点:
Left-join语义:左表没有join成功的key,也需要输出
原理
在构建左表Map的时候,额外维持一个"是否已匹配"的映射表;在和右表join结束之后,把所有没有匹配到的key,用null进行join填充。
以 Aleft join B 为例:
2、join过程中,匹配到的key置为1,没有匹配到的项不变(如key3)
3、join结束后,没有匹配到的项,生成一个补充结果集R2
4.合并结果集R1和结果集R2,输出最终生成的join结果R。
优化结果
以parquet格式数据为对象,在数据读取时进行适当的过滤剪枝,从而减少读取的数据量,加速查询速度
优化点:
LocalSort
BoomFilter
BitMap
Prewhere
基于Parquet数据读取剪枝:LocalSort
对parquet文件针对某个高频字段进行排序。从而实现读数据时RowGroup的过滤
目标:
Parquet文件读取原理:
(1)每个rowgroup的元信息里,都会记录自己包含的各个列的最大值和最小值
(2)读取时如何这个值不在最大值、最小值范围内,则跳过RowGroup
生成hive分区文件时,先读取metastore,获取它是否需要使用localsort,如果需要,选择它的高频列是哪个。
基于Parquet数据读取剪枝:BloomFilter&BitMap
整体优化结果:
命中索引平均性能提升 30%
生成时间增加:10%
空间开销增加:5%
如何选取合适的列
Local_sort &BloomFilter & BitMap 如何自动生效
基于Parquet数据读取剪枝:Prewhere
基于列式存储各列分别存储、读取的特性•针对需要返回多列的SQL,先根据下推条件对RowId进行过滤、选取。再有跳过地读取其他列,从而减少无关IO和后续计算•谓词选择(简单、计算量小):in,=,<>,isnull,isnotnull
优化结果使得: 特定 SQL ( Project16 列, where条件 2 列) SQL 平均性能提升 20%
通过调整staging目录位置,实现在Load过程中mv文件夹,替代逐个mv文件,从而减少与NameNode的交互次数
通过最后增加一个repartitionstage合并spark生成文件。
对于CPU使用率低的场景,通过vcore技术使得一个yarn-core可以启动多个spark-core
构造 get_partitions_by_filter实现 cast、substring等条件下推hivemetastore,从而减轻metastore返回数据量
在SQL执行前,通过统一的查询入口,对其进行基于代价的预估,选择合适的引擎和参数:
1.SQL分析
2.自动引擎选择/自动参数优化
标注结果自动选择执行引擎:
标注结果选择不同运行参数:
Executor个数/内存
Overhead、堆外内存
调优后使得Adhoc30s以内SQL占比45%,Spark-Submit内存使用量平均减少20%。
欢迎点赞+收藏+转发朋友圈素质三连
文章不错?点个【在看】吧! ?
这篇关于SparkSQL在字节跳动的应用实践和优化实战的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!