sparkSQL新增优化器实现复杂计算的快速预览

场景

有时我们使用sparkSQL做复杂模型时需要实现对数据的快速预览,假如模型是用好几表做Join且每个表的数据量都挺大时,那么预览就会很慢。

解决方案

普通的预览我们可能会怎么写SQL:

select a,b,c,d,e from table1 left join table2 on  f1=f2 left join table3 on f2=f3 limit 1000

这样写挺费spark计算资源的,且速度达不到预览要求。
数据预览我们并不保证最终结果的正确性,只是出一个大体的数据,方便对模型的创建和修改。

实现快速预览的必要条件是减少源数据的读取,这样我们只需要把目标定在减少表数据的读取就能实现快速预览。

熟悉sparkSQL都知道,与数据源相关的LogicalPlan是LogicalRelation,我们看下LogicalRelation定义。

case class LogicalRelation(
    relation: BaseRelation,
    output: Seq[AttributeReference],
    catalogTable: Option[CatalogTable])
  extends LeafNode with MultiInstanceRelation {

  // Logical Relations are distinct if they have different output for the sake of transformations.
  override def equals(other: Any): Boolean = other match {
    case l @ LogicalRelation(otherRelation, _, _) => relation == otherRelation && output == l.output
    case _ => false
  }

里面有个relation属性,类型是BaseRelation,这是个抽象类,具体我们看它的实现类。


我们的底层数据是存储在Hadoop上的关注 HadoopFsRelation

case class HadoopFsRelation(
    location: FileIndex,
    partitionSchema: StructType,
    dataSchema: StructType,
    bucketSpec: Option[BucketSpec],
    fileFormat: FileFormat,
    options: Map[String, String])(val sparkSession: SparkSession)

关注location这个属性,类型是FileIndex,数据的存放位置与它有关。



关注方法listFiles,获取文件信息会调用它,我们只需要在这个方法做些手脚就OK了。

源码

// 新建了优化器继承Rule
case class SampleExecution(sparkSession: SparkSession) extends Rule[LogicalPlan] {
   override def apply(plan: LogicalPlan): LogicalPlan = plan transform {
     case l @ LogicalRelation(r: HadoopFsRelation, output, catalogTable) if sampleExecution =>
       if (!r.location.isInstanceOf[SampleFileIndex]) {
         val relation = HadoopFsRelation(new SampleFileIndex(r.location), r.partitionSchema,
           r.dataSchema, r.bucketSpec, r.fileFormat, r.options)(r.sparkSession)
         LogicalRelation(relation, output, catalogTable)
       } else {
         l
       }
   }

   private def sampleExecution: Boolean = {
     val sampleExecution = sparkSession.sparkContext.getLocalProperty("spark.bdp.sample.execution")
     if (sampleExecution != null) {
       return sampleExecution.toBoolean
     }
     false
   }

 }

// 自己定义了个FileIndex代理,继承了FileIndex
class SampleFileIndex(fileIndex: FileIndex) extends FileIndex {

  override def rootPaths: Seq[Path] = fileIndex.rootPaths

  override def partitionSchema: StructType = fileIndex.partitionSchema

  override def sizeInBytes: Long = fileIndex.sizeInBytes

 // 此处是关键,对要扫描的文件进行人为筛选
  override def listFiles(partitionFilters: Seq[Expression],
                         dataFilters: Seq[Expression]): Seq[PartitionDirectory] = {
    sampleFiles(fileIndex.listFiles(partitionFilters, dataFilters))
  }

  override def refresh(): Unit = fileIndex.refresh()

  override def inputFiles: Array[String] = fileIndex.inputFiles

  private def sampleFiles(partitionDirList: Seq[PartitionDirectory]): Seq[PartitionDirectory] = {
    val candidates = new ArrayBuffer[PartitionDirectory]()
    val sampleFiles = new ArrayBuffer[PartitionDirectory]()

    for (i <- Random.shuffle(Seq.range(0, partitionDirList.length))) {
      if (candidates.size <= MobiusConf.sampleFileCount && partitionDirList(i).files.size > 0) {
        candidates.append(partitionDirList(i))
      }
    }
    var fileCountPerPartition = MobiusConf.sampleFileCount / candidates.size
    if (fileCountPerPartition * candidates.size < MobiusConf.sampleFileCount) {
      fileCountPerPartition += 1
    }

    for (c <- candidates) {
      val files = new ArrayBuffer[FileStatus]()
      // 优先选取sampleFileMinLen - sampleFileMaxLen的文件
      这两配置主要是让选择的文件不大不小
      for (i <- Random.shuffle(Seq.range(0, c.files.length))) {
        val file = c.files(i)
        if (files.size <= fileCountPerPartition
          && file.getLen > MobiusConf.sampleFileMinLen
          && file.getLen < MobiusConf.sampleFileMaxLen) {
          files.append(file)
        }
      }
      // 如果文件数量不够且候选文件个数还充裕,随机补足文件个数
      if (files.size < fileCountPerPartition && c.files.size > files.size) {
        for (i <- Random.shuffle(Seq.range(0, c.files.length))) {
          val file = c.files(i)
          if (files.size <= fileCountPerPartition
            && file.getLen > 0 && !files.contains(file)) {
            files.append(file)
          }
        }
      }
      sampleFiles.append(PartitionDirectory(c.values, files))
    }
    sampleFiles
  }

}

到此把我们的优化器加到spark里就能实现快速预览的逻辑啦,速度贼快!

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,686评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,668评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,160评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,736评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,847评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,043评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,129评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,872评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,318评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,645评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,777评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,470评论 4 333
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,126评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,861评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,095评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,589评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,687评论 2 351