场景描述:
对于如上图所示的ETL处理过程:源数据需要与STG_A和STG_B两个STAGE读出的数据关联(使用JOIN STAGE,且假设STG_B的关联字段来源于STG_SRC源表)。各STAGE实际需要处理的时间如下:
STG_SRC 5MIN
STG_A 10MIN
STG_B 6MIN
JON_A 5MIN
JON_B 7MIN
则STAGE实际执行时间=STG_A + JON_A + JON_B = 10 + 5 + 7 = 22 MIN。
优化分析:
由于STG_A和STG_B数据读取时间存在时间差。在第6分钟时STG_SRC和STG_B两个STAGE中的数据已准备好,且JON_B中的关联字段并没有用到STG_A源的数据。所以此时,STG_SRC和STG_B可以先做关联,这样可以节省一部分因STG_A读取数据而JON_A STAGE等待的时间。
修改后的JOB处理过程如下图。
修改后STAGE实际执行时间=STG_B + JON_B + JON_A = 6 + 5 + 7 = 18 MIN。
结论:
对于无先后依赖的处理步骤,可根据各步骤实际可开始时间优化不同步骤间的执行顺序,以使处理过程的等待时间最短。
对于如上图所示的ETL处理过程:源数据需要与STG_A和STG_B两个STAGE读出的数据关联(使用JOIN STAGE,且假设STG_B的关联字段来源于STG_SRC源表)。各STAGE实际需要处理的时间如下:
STG_SRC 5MIN
STG_A 10MIN
STG_B 6MIN
JON_A 5MIN
JON_B 7MIN
则STAGE实际执行时间=STG_A + JON_A + JON_B = 10 + 5 + 7 = 22 MIN。
优化分析:
由于STG_A和STG_B数据读取时间存在时间差。在第6分钟时STG_SRC和STG_B两个STAGE中的数据已准备好,且JON_B中的关联字段并没有用到STG_A源的数据。所以此时,STG_SRC和STG_B可以先做关联,这样可以节省一部分因STG_A读取数据而JON_A STAGE等待的时间。
修改后的JOB处理过程如下图。
修改后STAGE实际执行时间=STG_B + JON_B + JON_A = 6 + 5 + 7 = 18 MIN。
结论:
对于无先后依赖的处理步骤,可根据各步骤实际可开始时间优化不同步骤间的执行顺序,以使处理过程的等待时间最短。