标签:基于 ORC register asto shuff led 估算 ble pre
性能调优主要是将数据放入内存中操作。通过spark.cacheTable("tableName")或者dataFrame.cache()。使用spark.uncacheTable("tableName")来从内存中去除table。
Demo案例:
(*)从Oracle数据库中读取数据,生成DataFrame
val oracleDF = spark.read.format("jdbc") .option("url","jdbc:oracle:thin:@192.168.88.101:1521/orcl.example.com") .option("dbtable","scott.emp") .option("user","scott") .option("password","tiger").load
(*)将DataFrame注册成表:
oracleDF.registerTempTable("emp")
(*)执行查询,并通过Web Console监控执行的时间
spark.sql("select * from emp").show
(*)将表进行缓存,并查询两次,并通过Web Console监控执行的时间
spark.sqlContext.cacheTable("emp")
(*)清空缓存:
spark.sqlContext.cacheTable("emp")
spark.sqlContext.clearCache
1.将数据缓存到内存中的相关优化参数
(1) spark.sql.inMemoryColumnarStorage.compressed
默认为 true
Spark SQL 将会基于统计信息自动地为每一列选择一种压缩编码方式。
(2)spark.sql.inMemoryColumnarStorage.batchSize
默认值:10000
缓存批处理大小。缓存数据时, 较大的批处理大小可以提高内存利用率和压缩率,但同时也会带来 OOM(Out Of Memory)的风险。
2.其他性能相关的配置选项(不过不推荐手动修改,可能在后续版本自动的自适应修改)
(1)spark.sql.files.maxPartitionBytes
默认值:128 MB
读取文件时单个分区可容纳的最大字节数
(2)spark.sql.files.openCostInBytes
默认值:4M
打开文件的估算成本, 按照同一时间能够扫描的字节数来测量。当往一个分区写入多个文件的时候会使用。高估更好, 这样的话小文件分区将比大文件分区更快 (先被调度)。
(3)spark.sql.autoBroadcastJoinThreshold
默认值:10M
用于配置一个表在执行 join 操作时能够广播给所有 worker 节点的最大字节大小。通过将这个值设置为 -1 可以禁用广播。注意,当前数据统计仅支持已经运行了 ANALYZE TABLE <tableName> COMPUTE STATISTICS noscan 命令的 Hive Metastore 表。
(4)spark.sql.shuffle.partitions
默认值:200
用于配置 join 或聚合操作混洗(shuffle)数据时使用的分区数。
标签:基于 ORC register asto shuff led 估算 ble pre
原文地址:https://www.cnblogs.com/yyy-blog/p/10260988.html