VectorizedReader 和 ORC

最新推荐文章于 2023-04-10 15:39:11 发布

holomain

最新推荐文章于 2023-04-10 15:39:11 发布

阅读量937

点赞数

分类专栏： spark 文章标签： VectorizedReader ORC strpper SparkSQL columnar data

spark 专栏收录该内容

11 篇文章 0 订阅

订阅专栏

spark SQL not only SQL

1.SparkSession/DataFrame/Datasets API
2.Catalyst Optimization & Tungsten Execution
3.DataSource Connectors/  Spark Core(RDD API)

优化尽可能的发生晚些，因为spark SQL，可以通过函数和库优化
整体的优化使用库和sql/dataframe

RUN EXPLAIN plan
Interpret  plan
tune plan

https://dbricks.co/2rR8vAr

optimizer：
使用启发式和代价重写查询计划

        column pruning：列裁剪， outer join elimination：消除outer join
        Predicate push down：谓词下推， constraint propagation：约束传播（broadcast）
        constant floding：常量累加： join reordering： join重排序
        .....

    spark.sql.autoBroadcastJoin.threshold
    keep the statistics updated 
    broadcastJoin Hint

memory manager:
    跟踪内存的使用，有效的分配内存在task和算子
    code generator： 编译物理计划到优化后的java代码

Tungsten Engine： 高效的二进制数据格式和数据结构对cpu和内存的高效。

调整spark.sql.codegen.hugeMethodLimit去避免较大的方法（>8k)， 因为这不能被JIT编译器
所编译。

spark分为计算和存储:

完整的数据流：
    外部存储给spark 喂数据
    spark处理数据
如果spark处理数据很快，数据源就可能称为瓶颈。

更高效的去读取柱状的向量化数据
更高效的使用jvm生成simd 说明


指定的文件系统可以完成跳过不必要的数据和预shuffle，可以通过不必要的shuffle和IO来加速查询

选择支持向量化读取的数据源（parquet，orc)
基于文件的数据源，尽可能的创建分区，桶。

Spark 2.3.0支持ORC Vectorized矢量化源码分析

在Spark2.3.0的release文档中，提到ORC Vectored带来的性能提升：

提高scan吞吐2-5倍；
开启条件：spark.sql.orc.impl=native；

ORC 文件类型

当然该ISSUE的提出还是有些背景的(https://issues.apache.org/jira/browse/SPARK-16060)，ORC文件格式本身是Hortonworks提出的针对Hive查询的一种列式存储方案，ORC是在一定程度上扩展了RCFile，是对RCFile的优化。有别于Facebook的RCFile类型，ORC有如下优点：

ORCFile在RCFile基础上引申出来Stripe和Footer等。每个ORC文件首先会被横向切分成多个Stripe，而每个Stripe内部以列存储，所有的列存储在一个文件中，而且每个stripe默认的大小是250MB，相对于RCFile默认的行组大小是4MB，所以比RCFile更高效；
ORCFile扩展了RCFile的压缩，除了Run-length（游程编码），引入了字典编码和Bit编码；
ORCFile保存了文件更多的元信息；

其存储格式如下：

IndexData中保存了该stripe上数据的位置信息，总行数等信息
RowData以stream的形式保存了数据的具体信息
Stripe Footer中包含该stripe的统计结果，包括Max，Min，count等信息

IndexData
RowData
StripeFooter

...

FileFooter中包含该表的统计结果，以及各个Stripe的位置信息
Postscripts中存储该表的行数，压缩参数，压缩大小，列等信息
 
 1
2
3
4
5
6
7
8
9
10
11
12

ORC Vectored使用场景

spark.sql.orc.impl=native的判断

其中spark.sql.orc.impl有native和hive两种选择，如果针对orc类型选择hive格式直接调用org.apache.spark.sql.hive.orc.OrcFileFormat类实现类的加载，而如果为native则会基于org.apache.spark.sql.execution.datasources.orc.OrcFileFormat类进行加载。

 /** Given a provider name, look up the data source class definition. */
  def lookupDataSource(provider: String, conf: SQLConf): Class[_] = {
    val provider1 = backwardCompatibilityMap.getOrElse(provider, provider) match {
      case name if name.equalsIgnoreCase("orc") &&
          conf.getConf(SQLConf.ORC_IMPLEMENTATION) == "native" =>
        classOf[OrcFileFormat].getCanonicalName
      case name if name.equalsIgnoreCase("orc") &&
          conf.getConf(SQLConf.ORC_IMPLEMENTATION) == "hive" =>
        "org.apache.spark.sql.hive.orc.OrcFileFormat"
      case name => name
    }

    ...
  }  
 
 1
2
3
4
5
6
7
8
9
10
11
12
13
14

org.apache.spark.sql.execution.datasources.orc.OrcFileFormat

什么时候支持ORC Vectored?

  override def supportBatch(sparkSession: SparkSession, schema: StructType): Boolean = {
    val conf = sparkSession.sessionState.conf
    conf.orcVectorizedReaderEnabled && conf.wholeStageEnabled &&
      schema.length <= conf.wholeStageMaxNumFields &&
      schema.forall(_.dataType.isInstanceOf[AtomicType])
  }
 
 1
2
3
4
5
6

需要满足以下条件：
* 开启spark.sql.orc.enableVectorizedReader: 默认true;
* 开启spark.sql.codegen.wholeStage: 默认true并且其scheme的长度不大于wholeStageMaxNumFields（默认100列）;
* [关键]所有列数据类型需要为AtomicType类型的；

AtomicType类型，可根据定义查看：

/**
 * An internal type used to represent everything that is not null, UDTs, arrays, structs, and maps.
 */
protected[sql] abstract class AtomicType extends DataType {
  private[sql] type InternalType
  private[sql] val tag: TypeTag[InternalType]
  private[sql] val ordering: Ordering[InternalType]
}
 
 1
2
3
4
5
6
7
8

AtomicType代表了非 null/UDTs/arrays/structs/maps类型。所以如果所含列中如果包含null/UDTs/arrays/structs/maps类型，依然无法收到该ISSUE的便利。

ORC Vectored实现

OrcColumnarBatchReader的使用

在OrcFileFormat.buildReaderWithPartitionValues中：

    if (enableVectorizedReader) {
          val batchReader = new OrcColumnarBatchReader(
            enableOffHeapColumnVector && taskContext.isDefined, copyToSpark)
          // SPARK-23399 Register a task completion listener first to call `close()` in all cases.
          // There is a possibility that `initialize` and `initBatch` hit some errors (like OOM)
          // after opening a file.
          val iter = new RecordReaderIterator(batchReader)
          Option(TaskContext.get()).foreach(_.addTaskCompletionListener(_ => iter.close()))

          // 调用initialize函数
          batchReader.initialize(fileSplit, taskAttemptContext)
          // 调用initBatch
          batchReader.initBatch(
            reader.getSchema,
            requestedColIds,
            requiredSchema.fields,
            partitionSchema,
            file.partitionValues)
          // 生成iter
          iter.asInstanceOf[Iterator[InternalRow]]
    } else {
          val orcRecordReader = new OrcInputFormat[OrcStruct]
            .createRecordReader(fileSplit, taskAttemptContext)
          val iter = new RecordReaderIterator[OrcStruct](orcRecordReader)
          Option(TaskContext.get()).foreach(_.addTaskCompletionListener(_ => iter.close()))

          val fullSchema = requiredSchema.toAttributes ++ partitionSchema.toAttributes
          val unsafeProjection = GenerateUnsafeProjection.generate(fullSchema, fullSchema)
          val deserializer = new OrcDeserializer(dataSchema, requiredSchema, requestedColIds)

          if (partitionSchema.length == 0) {
            iter.map(value => unsafeProjection(deserializer.deserialize(value)))
          } else {
            val joinedRow = new JoinedRow()
            iter.map(value =>
              unsafeProjection(joinedRow(deserializer.deserialize(value), file.partitionValues)))
          }
    }
 
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

OrcColumnarBatchReader的实现

initialize()：初始化OrcFile Reader及Hadoop环境配置；
initBatch(): 初始化batch变量和columnarBatch变量(其中batch为ORC Reader矢量化每次读取的结果存储变量，columnarBatch为codegen转换为Spark定义类型存储变量 )；
nextBatch(): 迭代器，其核心还是调用ORC自定义的vectored函数，需要根据类型转换Spark定义type；

单元测试

参考： org.apache.spark.sql.hive.orc.OrcReadBenchmark

结果分析：
针对数字、String类型测试

Native ORC Vectorized > Native ORC Vectorized with copy > Native ORC MR > Hive built-in ORC

针对分区、不分区测试

Partition性能远远>不分区性能

参考：

holomain

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
VectorizedReader 和 ORC

Spark 2.3.0支持ORC Vectorized矢量化源码分析在Spark2.3.0的release文档中，提到ORC Vectored带来的性能提升：提高scan吞吐2-5倍；开启条件：spark.sql.orc.impl=native；ORC 文件类型当然该ISSUE的提出还是有些背景的(https://issues.apache.org/jira/browse/SP...
复制链接

扫一扫