输入数据
我有两个从 MySQL 导出为 csv 文件的表。
磁盘上的表 1 大小:250 MB
记录:70 万
磁盘上的表 2 大小:350 MB
记录:60 万
更新代码
import org.apache.spark.sql.SQLContext
val sqlContext = new SQLContext(sc)
val table-one = sqlContext.read.format("com.databricks.spark.csv").option("header", "true").load("example-input-files/table-1-data.csv”)
table-one.registerTempTable(“table-one”)
val table-two = sqlContext.read.format("com.databricks.spark.csv").option("header", "true").load("example-input-files/table-2-data.csv”)
table-two.registerTempTable(“table”-two)
sqlContext.cacheTable(“table-one”)
sqlContext.cacheTable(“table-two”)
val result = sqlContext.sql("SELECT table-one.ID,table-two.ID FROM table-one LEFT JOIN table-two ON table-one.ID = table-two.ID")
result.take(2).foreach(println)
Spark 工作
表。
加入关系数据库发言。
消耗时间。
这总共需要 30 秒。我在一台具有足够内存的机器上运行,以便两个文件都可以放入(毕竟它是 600Mb)。
我有两种方式来完成这项工作。
sqlContext.cacheTable("the_table")
在内存中运行和缓存表。 缓存后我发现加入操作本身需要 8 秒才能完成。
这个时间合理吗?我猜它不是,可以做很多优化来加快查询速度。
我看到的优化
还有其他方法可以做得更好吗?
最佳答案
正如评论者所提到的,Spark 专为分布式计算而设计。与其他 PL 相比,在本地处理小型(ish)数据时,仅所有初始化和调度的开销就足以使 Spark 看起来很慢。
Running on a cluster,I am guessing that this will not be fast since the data can fit into memory and sequential will be faster.
只要您的代码执行狭窄的转换,执行程序实际上就会在内存中的本地数据副本上工作,因此这并不完全正确。但是,您的代码执行连接,这是一个广泛的转换 - 这意味着必须在网络上对 block 进行洗牌。请记住这一点。广泛的转换是昂贵的,因此尽可能将它们放在 DAG 的末尾。但同样,您的数据足够小,您可能看不到好处。
另一件事是,如果您有 Hive,那么您可以考虑将数据存储在连接列上分区的表中。
关于performance - 连接的 Spark 性能分析,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31849599/