执行 pyspark.sql.DataFrame.take(4) 的时间超过一个小时

Question

我在 3 个虚拟机（即 1 个主站;2 个从机）上运行 spark 1.6，所有虚拟机都有 4 个内核和 16GB RAM。

我可以看到在spark-master webUI上注册的工人。

我想从我的 Vertica 数据库中检索数据来处理它。由于我没有设法运行复杂的查询，我尝试了虚拟查询来理解。我们认为这是一件容易的事。

我的代码是：

df = sqlContext.read.format('jdbc').options(url='xxxx', dbtable='xxx', user='xxxx', password='xxxx').load()
four = df.take(4)

输出是（注意：我用@IPSLAVE替换从属虚拟机 IP：端口）：

16/03/08 13:50:41 INFO SparkContext: Starting job: take at <stdin>:1
16/03/08 13:50:41 INFO DAGScheduler: Got job 0 (take at <stdin>:1) with 1 output partitions
16/03/08 13:50:41 INFO DAGScheduler: Final stage: ResultStage 0 (take at <stdin>:1)
16/03/08 13:50:41 INFO DAGScheduler: Parents of final stage: List()
16/03/08 13:50:41 INFO DAGScheduler: Missing parents: List()
16/03/08 13:50:41 INFO DAGScheduler: Submitting ResultStage 0 (MapPartitionsRDD[1] at take at <stdin>:1), which has no missing parents
16/03/08 13:50:41 INFO MemoryStore: Block broadcast_0 stored as values in memory (estimated size 5.4 KB, free 5.4 KB)
16/03/08 13:50:41 INFO MemoryStore: Block broadcast_0_piece0 stored as bytes in memory (estimated size 2.6 KB, free 7.9 KB)
16/03/08 13:50:41 INFO BlockManagerInfo: Added broadcast_0_piece0 in memory on @IPSLAVE (size: 2.6 KB, free: 511.5 MB)
16/03/08 13:50:41 INFO SparkContext: Created broadcast 0 from broadcast at DAGScheduler.scala:1006
16/03/08 13:50:41 INFO DAGScheduler: Submitting 1 missing tasks from ResultStage 0 (MapPartitionsRDD[1] at take at <stdin>:1)
16/03/08 13:50:41 INFO TaskSchedulerImpl: Adding task set 0.0 with 1 tasks
16/03/08 13:50:41 INFO TaskSetManager: Starting task 0.0 in stage 0.0 (TID 0, @IPSLAVE, partition 0,PROCESS_LOCAL, 1922 bytes)
16/03/08 13:50:41 INFO BlockManagerInfo: Added broadcast_0_piece0 in memory on @IPSLAVE (size: 2.6 KB, free: 511.5 MB)
16/03/08 15:02:20 INFO TaskSetManager: Finished task 0.0 in stage 0.0 (TID 0) in 4299240 ms on @IPSLAVE (1/1)
16/03/08 15:02:20 INFO TaskSchedulerImpl: Removed TaskSet 0.0, whose tasks have all completed, from pool 
16/03/08 15:02:20 INFO DAGScheduler: ResultStage 0 (take at <stdin>:1) finished in 4299.248 s
16/03/08 15:02:20 INFO DAGScheduler: Job 0 finished: take at <stdin>:1, took 4299.460581 s

如您所见，这需要很长时间。我的表实际上很大（存储大约 2.2 亿行，每行存储 11 个字段），但这样的查询会立即使用"普通"sql（例如 pyodbc）执行。

我想我误解/错过了 Spark，你会有这样的想法或建议来让它更好地工作吗？

Answer 1

虽然Spark支持对JDBC进行有限的谓词下推，但所有其他操作（如限制，组，聚合）都在内部执行。不幸的是，这意味着take(4)将首先获取数据，然后应用limit。换句话说，您的数据库将执行（假设没有投影和过滤器）等效于：

SELECT * FROM table 

其余的将由Spark处理。这涉及到一些优化（特别是Spark迭代地评估分区以获得LIMIT请求的记录数），但与数据库端优化相比，它仍然效率很低。

如果要将limit推送到数据库，则必须使用子查询作为dbtable参数静态执行此操作：

(sqlContext.read.format('jdbc')
    .options(url='xxxx', dbtable='(SELECT * FROM xxx LIMIT 4) tmp', ....))

sqlContext.read.format("jdbc").options(Map(
  "url"     -> "xxxx",
  "dbtable" -> "(SELECT * FROM xxx LIMIT 4) tmp",
))

请注意，子查询中的别名是必需的。

注：

数据源 API v2 准备就绪后，将来可能会改进此行为：

• 火花-15689
• SPIP：数据源 API V2