join实践: 万亿级数据量任务优化历程

优化前

SELECT  count(*)
FROM    tbl_0 a
JOIN    tbl_1 b
ON      a.ds = 20220310
AND     b.ds = 20220310
AND     a.key = b.key
;

大概执行2h,  还未得出结果。

第一次优化

暴力增加join 的并行度， 没有什么优化是比加资源来得更直接。

set odps.sql.joiner.instances=1000; //表示join 的并行度加到1000 
SELECT  count(*)
FROM    tbl_0 a
JOIN    tbl_1 b
ON      a.ds = 20220310
AND     b.ds = 20220310
AND     a.key = b.key
;

大概执行2h,  仍未得出结果。

第二次优化

重新分析两张表数据量，a 表数据量750w+,  b 表数据量350w+， 在未做任何优化情况下数据是需要经过shuffle， 将相同的key分布到相同的节点上， 首先考虑使用mapjoin 解决，使其不用执行shuffle操作。

SELECT /*+mapjoin(b)*/ count(*)
FROM    tbl_0 a
JOIN    tbl_1 b
ON      a.ds = 20220310
AND     b.ds = 20220310
AND     a.key = b.key
;

大概执行2h,  仍未得出结果。

第三次优化

重新分析表数据分布情况， 查看a、b 两张表的join-key 的数据情况：

SELECT
        key
        ,count(*)
FROM    tbl_0/tbl_1
WHERE   ds =20220312
GROUP BY KEY
ORDER BY count(*) desc;

只取top5数据量的key:

a 表
WorkWell	1586079
GoodQuality	1428452
ProductExperience	1186742
BuyerRecomendSeller	1147469
UserExperience	763998
b表
ProductExperience	832075
UserExperience	309142
GoodQuality	245208
BuyerRecomendSeller	213484
SPS_Material	196508

两张表的key 的类型不多，但是单个key值的个数比较多，例如

GoodQuality 在a表中1428452条记录，在b表中245208条记录，最终就会产生 1428452*245208=3500亿的数据量，这样相同的GoodQuality 分布到同一个节点去处理，很明显发生数据长尾效应。对于这样的情况，普通的mapjoin 或者是sort-merge已经不适合了，需要尽可能的将key分散，分发到不同的节点去处理，因此使用随机前缀+扩容的方式处理。

什么是随机前缀+扩容？对其中一张表数据量扩容n倍，另外一张表对join-key生成随机0~n的随机前缀数据，通过这种方式将join-key充分打散到下游不同的节点处理，以达到优化效果。在这里通过定义udf 实现随机前缀， udtf实现数据扩容:

//生成max以内的随机数
public class RandomData extends UDF {
     public Random r;
     @Override
    public void setup(ExecutionContext ctx) throws UDFException {


      r=new Random();
    }
    public Integer evaluate(Integer max) {
        return  r.nextInt(max);
    }
}

//数据量扩充
public class ExpandData extends UDTF {
    @Override
    public void setup(ExecutionContext ctx) throws UDFException {
    }


    @Override
    public void process(Object[] args) throws UDFException {
      Long expand=(Long)(args[0]);//代表了扩充的倍数
      Object[] args1=new Object[args.length];
      for(int i=0;i<expand;i++){


           for(int j=0;j<args.length;j++){
               args1[j]=i+"_"+args[j];
           }
          super.forward(args1);
      }
    }


    @Override
    public void close() throws UDFException {


    }
}

然后重新执行SQL:

set odps.sql.joiner.instances=1000;
SELECT 
  count(*)
from (
select *, CONCAT_WS('_',RandomData(1000),key) newKey  from  tbl_0
where ds=20220312
) a join (
SELECT  newKey from (
SELECT 
 key
from
tbl_1  where ds=20220312)
LATERAL view  ExpandData(1000,key) tmp as cnt,newKey
) b on a.newKey=b.newKey;

耗时20min左右得出结果，最终得到的结果大于一万亿。

历史推荐

AliExpress 基于Flink的实时数仓建设

Flink 程序设计之道

数仓指标一致性

关于Event-Time 所带来的的问题

不得不掌握的三种BitMap