SparkSQL在字节跳动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

点击右侧关注，大数据开发领域最强公众号！

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 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%。

欢迎点赞+收藏+转发朋友圈素质三连

文章不错？点个【在看】吧！ ?