Spark3.0主要特性（1）—— Adaptive Query Execution

众所周知，目前Spark的基于代价的优化策略，能够给SQL执行计划带来很大的优化，比如：调整Join顺序，决定Join类型(BroadcastHashJoin 或者 SortMergeJoin)等等。 但是该优化策略有一个明显的问题是：对于代价的估计是基于表的一些统计信息的，若这些统计信息不存在或者过期，则会对SQL的优化带来负面的影响。因此，本文介绍的Adaptive Query Execution就是针对这种问题，不依赖于统计信息进行优化。

AQE的一个难点就是在何时进行再次优化规则。Spark程序执行时，一般都是并行或者是管道式的，但是了解过Spark内核的人都知道，Spark作业有一个DAG Stage的划分，Stage之间会进行shuffle操作，所以每一个stage要等待其上一个stage作业全部完成才能开始，这就为AQE的执行提供了一个时机，因此此时已经能够知道前一个Stage的中间结果的大小、列数等统计信息，可以为我们的AQE执行提供所需的统计信息。

首先，对于第一层叶子节点的Stage（即不依赖于其他任何Stage的那些Stage）不需要执行AQE；

每一个Stage执行完成后，就标记该stage的状态为完成，同时收集统计信息，并更新对应的逻辑计划；

根据收集到的这些统计信息，重新执行指定的一些优化规则，再转为物理计划；

然后，基于这个新的优化后的Plan, 从之前已经完成的Stage向后继续执行，并重复上述步骤，直到整个sql执行完成

AQE有如下3个特征：

1、动态合并Shuffle分区

Spark执行查询过程中会有很多Shuffle操作，即Stage之间的数据传递，需要通过网络对数据进行传递并合并计算等操作。影响Shuffle的性能有很多因素，其中分区的个数就是一个很重要的因素。 分区的个数目前是用默认的配置项200来决定的，该值的选择对Shuffle影响很大：

若分区个数太少，则每个分区需要处理的数据量很大，每个task处理一个分区的数据，可能会需要将数据溢写到磁盘，从而降低执行效率；

若分区个数太大，则每个分区处理很少的数据，但是task个数很多，导致很多小的网络数据获取和传播，同样会因为IO瓶颈带来性能下降。

在AQE中，首先设置一个较大的分区个数，然后随着Stage任务的执行，在运行时根据metrics统计信息将小的数据量的分区进行合并，从而自动调整分区个数。以 SELECT max(i) FROM tbl GROUP BY j  为例，

原表很小，在group执行之前，只有两个分区；

初始分区个数设置为5，则本地group之后会将数据划分为5个分区；

若没有AQE，则shuffle之后将分为5个task分别执行，其中有3个task的数据量很小，提交这样的task执行会浪费一定的资源；

但是开启AQE之后，会自动将小分区合并，如下图，合并之后剩余3个分区，且每个分区的数据量相近。

2、动态切换join策略

Spark中用的最多的Join方式为BroadcastHashJoin 和 SortMergeJoin，所有的Join类型中BroadcastHashJoin性能最好，因为避免了数据的shuffle。 所以Spark目前通过估计join两端表的大小与广播阈值的关系，来判断是否可以使用BroadcastHashJoin。 但是该值的估计常常是不准确的，比如：有一个过滤效率很高的filter，可能使得过滤后的数据可以广播，但是估计值却偏大； 或者是Join的一端是一个很复杂的操作时，估计的值就更加不准确，常常估计出一个很大的值导致使用SortMergeJoin，而实际执行后会发现该复杂的查询后的结果集很小且适合广播。

AQE在执行过程中，重新进行优化，可以利用前一个Stage执行结果的大小，直接的知道是否适合广播。如下例子：

在该例子中，两个表原始Join时，根据CBO估计的大小是SortMergeJoin，但是当stage2执行完成后，调用了AQE重新执行优化规则发现，实际结果小于广播阈值（默认10M），因此可以使用BroadcastHashJoin， 则会修改Join类型，从而节约Join的时间。

这里要注意，前两个Stage中shuffle写的操作此时已经完成，这部分的时间无法避免；能优化的是Join的Stage中Shuffle读以及Join的执行时间。

3、动态优化join数据倾斜

当每个分区的数据分布不均匀时，容易出现数据倾斜的问题，有些场景下尤其是Join时，若出现数据倾斜，可能会导致个别的task任务特别繁重，其他所有的task都执行完毕，executor处于空闲状态，等待这几个数据倾斜的task执行完成。AQE能够自动检测具有数据倾斜的分区，并将这些数据量很大的分区进行切分。 如下例： A和B表做Join，其中A0分区特别大，在没有AQE时如下图：

开启AQE之后，将A0分区划分为两个差不多大的分区(A0-0和A0-1)，这两个分区同时与B0分区进行join，因为A0本来就是需要与B0做Join的。划分后，使用了5个数据量相近的task同时执行该任务，可以获得更好的性能。

参考：https://databricks.com/blog/2020/05/29/adaptive-query-execution-speeding-up-spark-sql-at-runtime.html

数据湖探索 DLI

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。