【大数据面试题】024 Spark 3 升级了些什么？

一步一个脚印，一天一道面试题

近期工作时有用到 Spark 2 升级 Spark 3，解决问题的情况。
任务原本是运行 4 小时后报错，升级到 Spark 3后，任务运行 1 小时，并且运行成功。
平时用 Spark 3 用的也多，就当记录一下。

Spark 3 升级特点

一、自适应优化查询 Adaptive Query Execution

Spark 计算时，会根据不同的情况启用不同的方法。
比如在针对 join 操作时，默认使用 SortMergeJoin，而如果是大表 join 小表，则使用 BroadcastHashJoin 效果更好。
在 Spark 2 中，获取数据源等信息少，往往不能根据实际情况使用最好的计算方法。

而 Spark 3 中，能 动态获取执行信息，进而根据实际情况使用最好的计算方法，这会明显提升运行速度。

二、谓词下推 Predicate PushDown

谓词下推是数据查询的重要优化。其重要原理是在一层层的处理中，把谓词下推到更低层，更早的做数据过滤，能明显提高程序执行效率。

谓词： Where 里的各种条件：大于 >，小于 <，等于 =，between 等过滤语句，就叫谓词。
下推： 把对应谓词（各种过滤条件）放到更低的层级，提早过滤。

下面举例说明：
1.将谓词下推至数据源

select a.col1, b.col2 from a 
join b 
on a.id = b.id
where a.col1 = 'something'

1.如果是 Parquet 这样的列式存储文件格式，会直接在文件中过滤再读入到 Spark 中，而不是先读入到 Spark，再过滤
2.先where过滤问题后，再进行join过滤，而不是先join，再where 过滤。

提早的进行过滤，减少数据量，就能提高程序的运行效率。
比如我们使用 Spark 数据量大时容易遇到 shuffle 时的报错，想想如果在 shuffle 前就能减少一部分数据量，是不是会好许多呢？

三、一点自己的零碎总结

1.用 Spark 3 就是会比 Spark 2 快很多，研究下来，就是 Spark 3 自动做的优化多了很多。
2.由于第一点，我们不会需要那么多加大资源才能解决的报错，节省了一些宝贵的集群资源。
3.升级对更多使用 Spark SQL的程序来说，代码改动量很小。

我是近未来，祝你变得更强！