SparkSQL的应用实践和优化实战

来源:字节跳动白泉的分享

作者:大数据技术与架构整理

暴走大数据

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。

目标和能力

为公司内部提供 Hive 、 Spark - SQL 等 OLAP 查询引擎服务支持。

• 提供全公司大数据查询的统一服务入口，支持丰富的API接口，覆盖Adhoc、ETL等SQL查询需求
• 支持多引擎的智能路由、参数的动态优化
• Spark-SQL/Hive引擎性能优化

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

执行计划调优

• 执行计划的自动调优：

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。

• SortMergeJoin调整为ShuffledHashJoin

• Leftjoin build left sidemap

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

• 约95%左右的joinSQL有被调整成ShuffledHashJoin/BroadcastJoin
• 被优化的SQL整体速度提升20%~30%
• 整体执行时长缩短

基于Parquet数据读取剪枝

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：

• 自动选择排序字段
• 生成文件时自动排序

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%

其他优化

• Hive/SparkLoad分区Move文件优化：

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

• Spark生成文件合并

通过最后增加一个repartitionstage合并spark生成文件。

• Vcore

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

• Spark 访问hivemetastore 特定filter下推：

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

运行期调优

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

• 抽取Hiveexplain逻辑，进行SQL语法正确性检查
• 对SQL包含的算子、输入的数据量进行标注

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：

• 小SQL走SparkServer（省去yarn申请资源耗时）
• 其他默认走Spark-Submit

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%。