查看原文
其他

SparkSQL在字节跳动的应用实践和优化实战

大数据技术与架构 大数据真好玩 2023-03-11
来源:字节跳动白泉的分享
作者:大数据技术与架构整理

大数据技术与架构点击右侧关注,大数据开发领域最强公众号!

暴走大数据点击右侧关注,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SQLProject16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%。


欢迎点赞+收藏+转发朋友圈素质三连


文章不错?点个【在看】吧! 👇

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存