怎么做家庭网站,天津高端品牌网站建设,新乡公司做网站,最权威的排行榜网站目录 概述动态调整Join策略原理实战 动态优化倾斜的 Join原理实战 概述
broadcast hash join 类似于 Spark 共享变量中的广播变量#xff0c;Spark join 如果能采取这种策略#xff0c;那join 的性能是最好的
自适应查询AQE(Adaptive Query Execution) 动态调整Join策略 原… 目录 概述动态调整Join策略原理实战 动态优化倾斜的 Join原理实战 概述
broadcast hash join 类似于 Spark 共享变量中的广播变量Spark join 如果能采取这种策略那join 的性能是最好的
自适应查询AQE(Adaptive Query Execution) 动态调整Join策略 原理实战 动态优化倾斜的 Join 原理默认环境配置修改配置
动态调整Join策略
实际上在生产中特别是工厂中的局限性表设计的时候不是那么合理导致这这种情况很少见很难被调整。
原理
AQE 可以将 sort-merge join 转成 broadcast hash join 条件是当join 表小于自适应 broadcast hash join 的阀值。 开启了自适应查询执行机制之后可以在运行时根据最精确的数据指标重新规划join策略实现动态调整join策略。 看以下图 后续测试过程中可以看 spark sql 的执行图。
属性名称默认值解释版本spark.sql.adaptive.localShuffleReader.enabledtrue当值为true且spark.sql.adaptive.enabled也为true时Spark尝试不需要shuffle分区时使用本地的shuffle读取器读取shuffle数据例如在将 sort-merge 转换成 broadcast-hash join 之后3.0.0spark.sql.adaptive.autoBroadcastJoinThreshold(none)为表配置最大的字节数能优化成 broadcast join通过设置此配置为-1可以禁用 broadcast 默认值与 spark.sql.autoBroadcastJoinThreshold 相同3.2.0spark.sql.autoBroadcastJoinThreshold10MB同上1.1.0
当所有的 shuffle partitions 都小于阀值 AQE 将 sort-merge join 转成 shuffled hash join 最大阀值配置spark.sql.adaptive.maxShuffledHashJoinLocalMapThreshold
属性名称默认值解释版本spark.sql.adaptive.maxShuffledHashJoinLocalMapThreshold0为每个分区配置最大的字节数能够构建 local hash map,如果这个值不小于 spark.sql.adaptive.maxShuffledHashJoinLocalMapThreshold并所有的分区不大于这个配置join选择更倾向于使用 shuffled hash join而不是 sort merge join3.2.0
实战
执行的 sql
select count(*) from xx where dt 2023-06-30 and workorder011002118525 ;
## 同样的表相连
select * from (select * from xx where dt 2023-06-30 and workorder011002118525) as a
left join xx as b on b.dt 2023-06-30 and b.workorder011002118525 and a.id b.id ;由上图三百多万的数据肯定超过10MB了所以是 sort merge join 修改 sql 如下
select * from (select id from xx where dt 2023-06-30 and workorder011002118525 ) as a join xx as b on a.id b.id and b.dt 2023-06-30 and b.unitid H8TGWJ035ZY0000431;动态优化倾斜的 Join
原理
数据倾斜严重将严重影响 join 查询的性能。该功能动态处理在 sort-merge join 倾斜数据时将其分为大小差不多的任务。当同是启用 spark.sql.adaptive.enabled 和 spark.sql.adaptive.skewJoin.enabled 时动态优化倾斜 这个功能将生效。
属性名称默认值解释版本spark.sql.adaptive.skewJoin.enabledtrue当同是启用 spark.sql.adaptive.enabled动态优化倾斜 这个功能将生效3.0.0spark.sql.adaptive.skewJoin.skewedPartitionFactor5如果分区的大小大于此因子乘以分区大小的中值并且也大于spark.sql.adaptive.skewJoin.strakedPartitionThresholdInBytes则该分区被视为偏斜。3.2.0spark.sql.adaptive.skewJoin.skewedPartitionThresholdInBytes256MB如果分区的字节大小大于此阈值并且也大于spark.sql.adaptive.skewJoin.strakedPartitionFactor乘以分区大小中值则该分区被视为偏斜。理想情况下此配置应设置为大于spark.sql.adaptive.advisoryPartitionSizeInBytes。3.0.0
假设有两个表 t1和t2其中表t1中的P0分区里面的数据量明显大于其他分区默认的执行情况是这样的看这个图
t1表中p0分区的数据比p1\p2\p3这几个分区的数据大很多可以认为t1表中的数据出现了倾斜。 当t1和t2表中p1、p2、p3这几个分区在join的时候基本上是不会出现数据倾斜的因为这些分区的数据相对适中。但是P0分区在进行join的时候就会出现数据倾斜了这样会导致 join 的时间过长。
动态优化倾斜的 join 机制会把P0分区切分成两个子分区P0-1和P0-2并将每个子分区关联到表t2的对应分区P0看这个图 t2表中的P0分区会复制出来两份相同的数据和t1表中切分出来的P0分区的数据进行 join 关联。 这样相当于就把t1表中倾斜的分区拆分打散了最终在 join 的时候就不会产生数据倾斜了。
实战
todo: 以后如果遇到再补充上
