Apache spark sparksql.sql.codegen没有提供任何改进
我正在spark sql中执行一个查询,如下所示。表的数据存储在配置单元表中的两个不同节点中 但由于查询速度有点慢,我尝试在spark中找到一些选项,以便查询执行得更快。因此,我发现我们可以将Apache spark sparksql.sql.codegen没有提供任何改进,apache-spark,hive,apache-spark-sql,Apache Spark,Hive,Apache Spark Sql,我正在spark sql中执行一个查询,如下所示。表的数据存储在配置单元表中的两个不同节点中 但由于查询速度有点慢,我尝试在spark中找到一些选项,以便查询执行得更快。因此,我发现我们可以将sparksql.sql.codegen和spark.sql.inMemoryColumnarStorage.compressed配置为true,而不是默认的false 但是我没有任何改进,在true中使用这两个选项的查询需要4,1分钟来执行。如果此选项为false,则也需要4.1分钟 你明白为什么这个选项
sparksql.sql.codegen
和spark.sql.inMemoryColumnarStorage.compressed
配置为true,而不是默认的false
但是我没有任何改进,在true中使用这两个选项的查询需要4,1分钟来执行。如果此选项为false,则也需要4.1分钟
你明白为什么这个选项不起作用吗
query = hiveContext.sql("""select
l_returnflag,
l_linestatus,
sum(l_quantity) as sum_qty,
sum(l_extendedprice) as sum_base_price,
sum(l_extendedprice * (1 - l_discount)) as sum_disc_price,
sum(l_extendedprice * (1 - l_discount) * (1 + l_tax)) as sum_charge,
avg(l_quantity) as avg_qty,
avg(l_extendedprice) as avg_price,
avg(l_discount) as avg_disc,
count(*) as count_order
from
lineitem
where
l_shipdate <= '1998-09-16'
group by
l_returnflag,
l_linestatus
order by
l_returnflag,
l_linestatus""");
query.collect();
query=hiveContext.sql(““”选择
l_returnflag,
l_linestatus,
总和(l_数量)作为总和数量,
总和(l_扩展价格)作为总和基价,
总额(l_扩展价格*(1-l_折扣))作为总额价格,
金额(l_扩展价格*(1-l_折扣)*(1+l_税))作为总额费用,
平均数量(l_数量)作为平均数量,
平均价格(l_扩展价格)作为平均价格,
平均折扣(l_折扣)作为平均折扣盘,
按计数顺序计数(*)
从…起
行项目
哪里
l_发货日期
- 默认情况下,spark 2.0启用了spark.sql.codegen.whisttage
。它将从spark catalist端执行所有可能的内部优化。
spark.sql.codegen
(spark 1.3+中的功能)默认为false
。即使设置为true,也可以使用DF.explain/debug
- 根据我的经验,上述查询的Dataset[Row]又名DataFrame方法比普通的hive查询快一点。
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._
import spark.implicits._
import spark.sql
// warehouseLocation points to the default location for managed databases and tables
val warehouseLocation = "file:${system:user.dir}/spark-warehouse"
val spark = SparkSession
.builder()
.appName("Spark Hive Aggregations")
.config("spark.sql.warehouse.dir", warehouseLocation)
.enableHiveSupport()
.getOrCreate()
val df : DataFrame = sql(("""select l_returnflag, l_linestatus,l_quantity,l_extendedprice,l_quantity ,l_extendedprice,l_quantity, l_extendedprice, l_discount from
lineitem where l_shipdate <= '1998-09-16""");
// can use spark udf or when(cond, evaluation), instead of direct expression
val df1 = df.withColumn("sum_disc_price", df.col("l_extendedprice") * (1 - df.col("l_discount"))
.withColumn("sum_charge", df.col("l_extendedprice") * (1 + df.col("l_tax"))
//NOW SUM, AVG and group by on dataframe
val groupeddf = df1.groupBy(
df1.col("returnflag")
, df1.col("l_linestatus")
.agg(
avg(df1.col("l_quantity")),
, avg(df1.col("l_extendedprice"))
, avg(df1.col("l_discount"))
, sum(df1.col("l_quantity"))
, sum(df1.col("l_extendedprice"))
, sum(df1.col("sum_disc_price"))
, sum(df1.col("sum_charge"))
, count(df1.col("l_linestatus").as("cnt")
) //end agg
) //end group by
//order by on dataframe
.orderBy("l_returnflag"))
.sort("l_linestatus")
val finalDF = groupeddf.select("l_returnflag","l_linestatus",............. etc);
import org.apache.spark.sql.SparkSession
导入org.apache.spark.sql.functions_
导入spark.implicits_
导入spark.sql
//warehouseLocation指向托管数据库和表的默认位置
val warehouseLocation=“文件:${system:user.dir}/spark warehouse”
val spark=火花会话
.builder()
.appName(“Spark Hive聚合”)
.config(“spark.sql.warehouse.dir”,warehouseLocation)
.enableHiveSupport()
.getOrCreate()
val df:DataFrame=sql(“”“选择l_returnflag,l_linestatus,l_数量,l_extendedprice,l_数量,l_extendedprice,l_数量,l_extendedprice,l_折扣自
请查看l_shipdate所在的行项目,了解sparksql.sql.codegen
的工作原理