Spark優(yōu)化之小文件是否需要合并?
我們知道，大部分Spark計算都是在內(nèi)存中完成的，所以Spark的瓶頸一般來自于集群(standalone, yarn, mesos, k8s)的資源緊張，CPU，網(wǎng)絡帶寬，內(nèi)存。Spark的性能，想要它快，就得充分利用好系統(tǒng)資源，尤其是內(nèi)存和CPU。有時候我們也需要做一些優(yōu)化調整來減少內(nèi)存占用，例如將小文件進行合并的操作。
一、問題現(xiàn)象
我們有一個15萬條總數(shù)據(jù)量133MB的表，使用SELECT * FROM bi.dwd_tbl_conf_info全表查詢耗時3min，另外一個500萬條總數(shù)據(jù)量6.3G的表ods_tbl_conf_detail，查詢耗時23秒。兩張表均為列式存儲的表。
大表查詢快，而小表反而查詢慢了，為什么會產(chǎn)生如此奇怪的現(xiàn)象呢?
二、問題探詢
數(shù)據(jù)量6.3G的表查詢耗時23秒，反而數(shù)據(jù)量133MB的小表查詢耗時3min，這非常奇怪。我們收集了對應的建表語句，發(fā)現(xiàn)兩者沒有太大的差異，大部分為String，兩表的列數(shù)也相差不大。
- CREATE TABLE IF NOT EXISTS `bi`.`dwd_tbl_conf_info` (
- `corp_id` STRING COMMENT '',
- `dept_uuid` STRING COMMENT '',
- `user_id` STRING COMMENT '',
- `user_name` STRING COMMENT '',
- `uuid` STRING COMMENT '',
- `dtime` DATE COMMENT '',
- `slice_number` INT COMMENT '',
- `attendee_count` INT COMMENT '',
- `mr_id` STRING COMMENT '',
- `mr_pkg_id` STRING COMMENT '',
- `mr_parties` INT COMMENT '',
- `is_mr` TINYINT COMMENT 'R',
- `is_live_conf` TINYINT COMMENT ''
- )
- CREATE TABLE IF NOT EXISTS `bi`.`ods_tbl_conf_detail` (
- `id` string,
- `conf_uuid` string,
- `conf_id` string,
- `name` string,
- `number` string,
- `device_type` string,
- `j_time` bigint,
- `l_time` bigint,
- `media_type` string,
- `dept_name` string,
- `UPDATETIME` bigint,
- `CREATETIME` bigint,
- `user_id` string,
- `USERAGENT` string,
- `corp_id` string,
- `account` string
- )
因為兩張表均為很簡單的SELECT查詢操作，無任何復雜的聚合join操作，也無UDF相關的操作，所以基本確認查詢慢的應該發(fā)生的讀表的時候，我們將懷疑的點放到了讀表操作上。通過查詢兩個查詢語句的DAG和任務分布，我們發(fā)現(xiàn)了不一樣的地方。
查詢快的表，查詢時總共有68個任務，任務分配比如均勻，平均7~9s左右，而查詢慢的表，查詢時總共1160個任務，平均也是9s左右。如下圖所示：
至此，我們基本發(fā)現(xiàn)了貓膩所在。大表6.3G但文件個數(shù)小，只有68個，所以很快跑完了。而小表雖然只有133MB，但文件個數(shù)特別多，導致產(chǎn)生的任務特別多，而由于單個任務本身比較快，大部分時間花費在任務調度上，導致任務耗時較長。
那如何才能解決小表查詢慢的問題呢?
三、業(yè)務調優(yōu)
那現(xiàn)在擺在我們面前就存在現(xiàn)在問題：
- 為什么小表會產(chǎn)生這么小文件
- 已經(jīng)產(chǎn)生的這么小文件如何合并
帶著這兩個問題，我們和業(yè)務的開發(fā)人員聊了一個發(fā)現(xiàn)小表是業(yè)務開發(fā)人員從原始數(shù)據(jù)表中，按照不同的時間切片查詢并做數(shù)據(jù)清洗后插入到小表中的，而由于時間切片切的比較小，導致這樣的插入次數(shù)特別多，從而產(chǎn)生了大量的小文件。
那么我們需要解決的問題就是2個，如何才能把這些歷史的小文件進行合并以及如何才能保證后續(xù)的業(yè)務流程中不再產(chǎn)生小文件，我們指導業(yè)務開發(fā)人員做了以下優(yōu)化：
- 使用INSERT OVERWRITE bi.dwd_tbl_conf_info SELECT * FROM bi.dwd_tbl_conf_info合并下歷史的數(shù)據(jù)。由于DLI做了數(shù)據(jù)一致性保護，OVERWRITE期間不影響原有數(shù)據(jù)的讀取和查詢，OVERWRITE之后就會使用新的合并后的數(shù)據(jù)。合并后全表查詢由原來的3min縮短到9s內(nèi)完成。
- 原有表修改為分區(qū)表，插入時不同時間放入到不同分區(qū)，查詢時只查詢需要的時間段內(nèi)的分區(qū)數(shù)據(jù)，進一步減小讀取數(shù)據(jù)量。
