Spark SQL关于性能调优选项详解

目录

• Spark_SQL性能调优
• 性能调优选项
• 几种压缩选项的特点
• 可选的调优选项
• 代码示例

Spark_SQL性能调优

众所周知，正确的参数配置对提升Spark的使用效率具有极大助力，帮助相关数据开发、分析人员更高效地使用Spark进行离线批处理和SQL报表分析等作业。

性能调优选项

选型	默认值	用途
spark.sql.codegen	false	设为 true 时，Spark SQL 会把每条查询词语在运行时编译为 Java 二进制代码。这可以提高大型查询的性能，但在进行小规模查询时会变慢
spark.sql.inMemoryColumnarStorage.compressed	false	自动对内存中的列式存储进行压缩
spark.sql.inMemoryColumnarStorage.batchSize	1000	列示缓存时的每个批处理的大小。把这个值调大可能会导致内存不够的异常
spark.sql.parquet.compression.codec	snappy	使用哪种压缩编码器。可选的选项包括 uncompressed/snappy/gzip/lzo

几种压缩选项的特点

spark.sql.parquet.compressed.codec 默认值为snappy 这个参数代表使用哪种压缩编码器。可选的选项包括uncompressed/snappy/gzip/lzo

uncompressed这个顾名思义就是不用压缩的意思

格式	可分割	平均压缩速度	文本文件压缩效率	Hadoop压缩编解码器	纯java实现	原生	备注
snappy	否	非常快	低	org.apache.hadoop.io.compress.SnappyCodec	否	是	Snapp有纯java的移植版，但是在Spark/Hadoop中不能用
gzip	否	快	高	org.apache.hadoop.io.compress.GzipCodec	是	是
lzo	否	非常快	中等	org.apache.hadoop.io.compress.LzoCodec	是	是	需要在每个节点上安装LZO

可选的调优选项

Property Name	Default	Meaning
spark.sql.files.maxPartitionBytes	128 MB	读取文件时打包到单个分区的最大字节数
spark.sql.files.openCostInBytes	4 MB	打开一个文件的估计成本，取决于有多少字节可以被同时扫描，当多个文件放入一个 partition 时使用此方法。最好时过度估计，这样带有小文件的 partition 就会比带有大文件的 partition 快
spark.sql.broadcastTimeout	300	广播连接中等待时的超时时间（以秒为单位）
spark.sql.autoBroadcastJoinThreshold	10 MB	配置一个表的最大大小，以便在执行连接向所有节点广播，将该值设置为 -1 的话广播将会被禁用
spark.sql.shuffle.partitions	200	配置 partition 的使用数量当 shuffle 数据或聚合数据时

代码示例

初始化设置Spark Application配置

构建SparkSession实例对象

import org.apache.commons.lang3.SystemUtils
import org.apache.spark.SparkConf
import org.apache.spark.sql.streaming.OutputMode
import org.apache.spark.sql.{DataFrame, SparkSession}
object PerformanceTuneDemo {
	def main(args: Array[String]): Unit = {
		// 构建SparkSession实例对象，设置相关属性参数值
		val sparkConf = new SparkConf()
    		.setAppName(this.getClass.getSimpleName.stripSuffix("$"))
			.set("spark.sql.session.timeZone", "Asia/Shanghai")
			.set("spark.sql.files.maxPartitionBytes", "134217728")
			.set("spark.sql.files.openCostInBytes", "134217728")
			.set("spark.sql.shuffle.partitions", "3")
			.set("spark.sql.autoBroadcastJoinThreshold", "67108864")
		// 构建SparkSession实例对象
		val spark: SparkSession = SparkSession.builder()
    		.config(sparkConf)
			.getOrCreate()
	}
}

到此这篇关于Spark SQL关于性能调优选项详解的文章就介绍到这了,更多相关Spark SQL性能调优内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！