sparksql.sql.codegen没有任何改进

cgyqldqp  于 2021-06-29  发布在  Hive
关注(0)|答案(1)|浏览(270)

我正在sparksql中执行一个查询,如下所示。表的数据存储在配置单元表中的两个不同节点中。
但是因为查询有点慢,我尝试在spark中找到一些选项,这样查询可以执行得更快。所以我发现我们可以配置 sparksql.sql.codegen 以及 spark.sql.inMemoryColumnarStorage.compressed 设置为true而不是默认的false。
但我没有任何改进,在true中使用这两个选项的查询需要4,1分钟才能执行。如果选择false,也需要4,1分钟。
你明白为什么这个选项不起作用吗?

query = hiveContext.sql("""select
        l_returnflag,
        l_linestatus,
        sum(l_quantity) as sum_qty,
        sum(l_extendedprice) as sum_base_price,
        sum(l_extendedprice * (1 - l_discount)) as sum_disc_price,
        sum(l_extendedprice * (1 - l_discount) * (1 + l_tax)) as sum_charge,
        avg(l_quantity) as avg_qty,
        avg(l_extendedprice) as avg_price,
        avg(l_discount) as avg_disc,
        count(*) as count_order
    from
        lineitem
    where
        l_shipdate <= '1998-09-16'
    group by
        l_returnflag,
        l_linestatus
    order by
        l_returnflag,
        l_linestatus""");

query.collect();
h9a6wy2h

h9a6wy2h1#

对于spark 2.0,默认情况下启用spark.sql.codegen.whitestage。它将做所有的内部优化可能从Spark催化剂方面。

spark.sql.codegen(这是spark 1.3+中的特性)默认为false。即使设置为true,也可以使用df.explain/debug进行交叉检查

但是,请。重新访问spark 2+中解释的方法,如下所示。
如果您使用的是spark的较低版本,即1.3或1.4+,则相同的Dataframe方法是有效的,除非我们必须与hivecontext一起使用。
根据我的经验,上述查询的dataset[row]aka dataframe方法比普通的hive查询快一些。
请尝试下面的伪代码。
创建一个不包含任何聚合、分组、排序依据的Dataframe。

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._
import spark.implicits._
import spark.sql

// warehouseLocation points to the default location for managed databases and tables
val warehouseLocation = "file:${system:user.dir}/spark-warehouse"

val spark = SparkSession
  .builder()
  .appName("Spark Hive Aggregations")
  .config("spark.sql.warehouse.dir", warehouseLocation)
  .enableHiveSupport()
  .getOrCreate()

val df : DataFrame = sql(("""select l_returnflag, l_linestatus,l_quantity,l_extendedprice,l_quantity ,l_extendedprice,l_quantity, l_extendedprice, l_discount from
        lineitem where l_shipdate <= '1998-09-16""");

// can use spark udf or when(cond, evaluation), instead of direct expression
 val df1 =  df.withColumn("sum_disc_price", df.col("l_extendedprice") * (1 - df.col("l_discount"))
          .withColumn("sum_charge", df.col("l_extendedprice") * (1 + df.col("l_tax"))

//NOW SUM, AVG and group by  on dataframe
val groupeddf = df1.groupBy(
  df1.col("returnflag")
, df1.col("l_linestatus")
.agg(
      avg(df1.col("l_quantity")),
    , avg(df1.col("l_extendedprice"))
    , avg(df1.col("l_discount"))
    , sum(df1.col("l_quantity"))
    , sum(df1.col("l_extendedprice"))
    , sum(df1.col("sum_disc_price"))
    , sum(df1.col("sum_charge"))
    , count(df1.col("l_linestatus").as("cnt")
    ) //end agg
    ) //end group by 
//order by on dataframe  
.orderBy("l_returnflag"))
.sort("l_linestatus")
val finalDF = groupeddf.select("l_returnflag","l_linestatus",............. etc);

此外,还需要考虑执行器内存、执行器/核心数等参数,以找到确切的问题

相关问题