Spark優(yōu)化之小文件是否需要合并?

我們知道，大部分Spark計(jì)算都是在內(nèi)存中完成的，所以Spark的瓶頸一般來自于集群(standalone, yarn, mesos, k8s)的資源緊張，CPU，網(wǎng)絡(luò)帶寬，內(nèi)存。Spark的性能，想要它快，就得充分利用好系統(tǒng)資源，尤其是內(nèi)存和CPU。有時(shí)候我們也需要做一些優(yōu)化調(diào)整來減少內(nèi)存占用，例如將小文件進(jìn)行合并的操作。

一、問題現(xiàn)象

我們有一個(gè)15萬條總數(shù)據(jù)量133MB的表，使用SELECT * FROM bi.dwd_tbl_conf_info全表查詢耗時(shí)3min，另外一個(gè)500萬條總數(shù)據(jù)量6.3G的表ods_tbl_conf_detail，查詢耗時(shí)23秒。兩張表均為列式存儲(chǔ)的表。

大表查詢快，而小表反而查詢慢了，為什么會(huì)產(chǎn)生如此奇怪的現(xiàn)象呢?

二、問題探詢

數(shù)據(jù)量6.3G的表查詢耗時(shí)23秒，反而數(shù)據(jù)量133MB的小表查詢耗時(shí)3min，這非常奇怪。我們收集了對(duì)應(yīng)的建表語句，發(fā)現(xiàn)兩者沒有太大的差異，大部分為String，兩表的列數(shù)也相差不大。

CREATE TABLE IF NOT EXISTS `bi`.`dwd_tbl_conf_info` ( `corp_id` STRING COMMENT '', `dept_uuid` STRING COMMENT '', `user_id` STRING COMMENT '', `user_name` STRING COMMENT '', `uuid` STRING COMMENT '', `dtime` DATE COMMENT '', `slice_number` INT COMMENT '', `attendee_count` INT COMMENT '', `mr_id` STRING COMMENT '', `mr_pkg_id` STRING COMMENT '', `mr_parties` INT COMMENT '', `is_mr` TINYINT COMMENT 'R', `is_live_conf` TINYINT COMMENT '' ) CREATE TABLE IF NOT EXISTS `bi`.`ods_tbl_conf_detail` ( `id` string, `conf_uuid` string, `conf_id` string, `name` string, `number` string, `device_type` string, `j_time` bigint, `l_time` bigint, `media_type` string, `dept_name` string, `UPDATETIME` bigint, `CREATETIME` bigint, `user_id` string, `USERAGENT` string, `corp_id` string, `account` string )

因?yàn)閮蓮埍砭鶠楹芎唵蔚腟ELECT查詢操作，無任何復(fù)雜的聚合join操作，也無UDF相關(guān)的操作，所以基本確認(rèn)查詢慢的應(yīng)該發(fā)生的讀表的時(shí)候，我們將懷疑的點(diǎn)放到了讀表操作上。通過查詢兩個(gè)查詢語句的DAG和任務(wù)分布，我們發(fā)現(xiàn)了不一樣的地方。

查詢快的表，查詢時(shí)總共有68個(gè)任務(wù)，任務(wù)分配比如均勻，平均7~9s左右，而查詢慢的表，查詢時(shí)總共1160個(gè)任務(wù)，平均也是9s左右。如下圖所示：

至此，我們基本發(fā)現(xiàn)了貓膩所在。大表6.3G但文件個(gè)數(shù)小，只有68個(gè)，所以很快跑完了。而小表雖然只有133MB，但文件個(gè)數(shù)特別多，導(dǎo)致產(chǎn)生的任務(wù)特別多，而由于單個(gè)任務(wù)本身比較快，大部分時(shí)間花費(fèi)在任務(wù)調(diào)度上，導(dǎo)致任務(wù)耗時(shí)較長。

那如何才能解決小表查詢慢的問題呢?

三、業(yè)務(wù)調(diào)優(yōu)

那現(xiàn)在擺在我們面前就存在現(xiàn)在問題：

為什么小表會(huì)產(chǎn)生這么小文件 已經(jīng)產(chǎn)生的這么小文件如何合并

帶著這兩個(gè)問題，我們和業(yè)務(wù)的開發(fā)人員聊了一個(gè)發(fā)現(xiàn)小表是業(yè)務(wù)開發(fā)人員從原始數(shù)據(jù)表中，按照不同的時(shí)間切片查詢并做數(shù)據(jù)清洗后插入到小表中的，而由于時(shí)間切片切的比較小，導(dǎo)致這樣的插入次數(shù)特別多，從而產(chǎn)生了大量的小文件。

那么我們需要解決的問題就是2個(gè)，如何才能把這些歷史的小文件進(jìn)行合并以及如何才能保證后續(xù)的業(yè)務(wù)流程中不再產(chǎn)生小文件，我們指導(dǎo)業(yè)務(wù)開發(fā)人員做了以下優(yōu)化：

使用INSERT OVERWRITE bi.dwd_tbl_conf_info SELECT * FROM bi.dwd_tbl_conf_info合并下歷史的數(shù)據(jù)。由于DLI做了數(shù)據(jù)一致性保護(hù)，OVERWRITE期間不影響原有數(shù)據(jù)的讀取和查詢，OVERWRITE之后就會(huì)使用新的合并后的數(shù)據(jù)。合并后全表查詢由原來的3min縮短到9s內(nèi)完成。 原有表修改為分區(qū)表，插入時(shí)不同時(shí)間放入到不同分區(qū)，查詢時(shí)只查詢需要的時(shí)間段內(nèi)的分區(qū)數(shù)據(jù)，進(jìn)一步減小讀取數(shù)據(jù)量。