sparksql.sql.codegen没有做出任何改进

Question

我正在spark-sql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2个不同节点中。

但由于查询有点慢，我试图在spark中找到一些选项，以便查询可以更快地执行。所以我发现我们可以将sparksql.sql.codegen和spark.sql.inMemoryColumnarStorage.compressed配置为true，而不是默认的false。

但我没有任何改进，这两个选项为true的查询需要4.1分钟才能执行。如果此选项为false，也需要4.1分钟。

你明白为什么这些选项不起作用吗？

   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();

Answer 1

• 默认情况下，对于spark 2.0启用spark.sql.codegen.wholeStage。并且它将从火花催化器方面进行所有可能的内部优化

• 默认情况下，spark.sql.codegen（Spark 1.3+中的功能）是false。即使您将其设为true，也可以与DF.explain / debug进行交叉检查

但是，请。请重新访问下面在spark 2+中解释的方法。

如果您使用的是较低版本的spark，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]（又名DataFrame）方法比普通的hive查询快一点

请尝试下面的伪代码。

像这样创建一个没有任何聚合、分组、排序的数据帧。

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/内核数量等参数，以找到确切的问题