文本并行
SPL可将文本文件按体积大致分为N段,只读取其中一段。比如cardInfo.txt存储着一千万条人口信息,将其分为十份,取第二份,代码可以写作:
A | B | |
1 | =file("d:\\temp\\cardInfo千万.txt") | |
2 | =A1.import@t(;2:10) | /直接读入内存 |
3 | =A1.cursor@t(;2:10).fetch@x() | /游标方式读取 |
按体积大致分段,而不是按行数精确分段,目的是提高分段性能。比如在IDE中观察A2或A3的前几个字段,可以看到行数并非精确的100万(与具体数据有关):
index | cardNo | name | gender | province | mobile |
1 | 308200310180525 | Alison Clinton | female | Idaho | 1024627490 |
2 | 709198311300191 | Abby Wood | female | Kansas | 19668466 |
3 | 1005199807060610 | George Bush | male | California | 1019879226 |
… | … | … | … | … | … |
1000005 | 405199907050256 | Mark Rowswell | male | Idaho | 1168620176 |
分段读取可应用于多线程计算,从而提高读取性能。比如用2个线程分别读取cardInfo.txt,各线程计算本段行数,最后合并为总行数,可用如下代码:
5 | fork to(2) | =A1.cursor@t(;A5:2).total(count(1)) | /2线程分段 |
6 | =A5.sum() | /合并结果 |
语句fork语句适合算法较复杂的情况,当算法比较简单时,可用cursor@m直接分段读取。比如前面的代码可以改写如下:
7 | =A1.cursor@tm(;2).total(count(1)) | /2线程分段 |
上述代码指定了线程数,如果省略线程数,则用配置文件中的“parallet limit”当做默认线程数。假设parallet limit=2,则上述代码可以改写成:
8 | =A1.cursor@tm().total(count(1)) | /默认线程数分段 |
为了验证分段读取前后的性能差异,下面设计一个算法,分别用单线程和2线程计算cardInfo.txt的总行数,可以看到性能显著提升:
11 | =now() | |
12 | =A1.cursor@t().total(count(1)) | |
13 | =interval@ms(A11,now()) | /未分段,20882ms |
14 | ||
15 | =now() | |
16 | =A1.cursor@tm(;2).total(count(1)) | |
17 | =interval@ms(A15,now()) | /2线程分段,12217ms |
JDBC 并行
通过JDBC取数时,有时会遇到数据库负载虽然不重,但取数性能仍然较差的情况,这种情况下可以用并行取数提高性能。
比如Oracle数据库有一张通话记录表callrecord,记录数100万条,索引字段是callTime,且数据基本按该字段平均分布。采用非并行取数时,可以发现性能不够理想,代码如下:
A | B | |
1 | =now() | /记录时间,用于测试性能 |
2 | =connect("orcl") | |
3 | =A2.query@x("select * from callrecord") | |
4 | =interval@ms(A1,now()) | /非并行取数,17654ms |
改为2线程并行取数后,可以看到性能提升明显,代码如下:
6 | =now() | |
7 | =connect("orcl").query@x("select min(callTime),max(callTime) from callrecordA") | |
8 | =2.(range(A7.#1,elapse@s(A7.#2,1),~:2)) | /时间区间参数列表 |
9 | fork A8 | =connect("orcl") |
10 | =B9.query@x("select * from callrecordA where callTime>=? and callTime<?",A9(1),A9(2)) | |
11 | =A9.conj() | |
12 | =interval@ms(A6,now()) | /并行取数,10045ms |
既然要并行取数,就要把源数据分成多个区间,使每区间的数据量大致相等。在这个例子中,索引字段是时间类型callTime,所以先用A7求出callTime的数据范围,再用A8将该范围平均分成2个时间区间。之后在A9进行并行计算,每个线程以各自的时间区间为参数执行SQL,取数结果将大致相等。最后合并多线程的取数结果,作为最终结果。
函数range非常适合对数据分段。该函数可将某范围平均分为N个区间,获得第i个区间,且可根据范围的数据类型自动调整区间的数据类型。本例的范围类型是datetime,则函数range将范围按秒均分,返回类型也是datetime。如果范围类型是date,则函数range按天均分;如果范围类型是整数,则函数range按整数均分。
上面例子中,分段字段是索引,如果没有建立索引,则查询性能会出现下降。在这种情况下,并行取数仍然可以带来明显的性能提升,所以可以用相同的方法。
上面例子中,源数据基本按callTime平均分布,因此容易使各区间的数据量大致相等,如果源数据分布很不平均,可以考虑按行号分段。每种数据库都有生成行号的方法,比如oralce可用rownum。
除了单表单SQL并行取数,SPL也支持多表多SQL并行取数。比如某报表格式较复杂,需要SPL执行多个SQL,并按一定的格式拼出结果集。当采用非并行取数时,可以发现性能不够理想,代码如下:
A | B | |
1 | =now() | =connect("orcl") |
2 | select count(1) from callrecordA where to_char(calltime,'yyyy')='2015' | =B1.query(A2) |
3 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201501' | =B1.query(A3) |
4 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201502' | =B1.query(A4) |
5 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201503' | =B1.query(A5) |
6 | select count(1) from callrecordA where to_char(calltime,'yyyy')='2016' | =B1.query(A6) |
7 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201601' | =B1.query(A7) |
8 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201602' | =B1.query(A8) |
9 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201603' | =B1.query(A9) |
10 | =B1.close() | |
11 | =[B2:B9].new(~.#1:data) | |
12 | =interval@ms(A1,now()) | /非并行取数,2195毫秒 |
改为4线程并行取数后,可以看到性能提升明显,代码如下:
14 | =now() | |
15 | fork [A2:A9] | =connect("orcl") |
16 | =B15.query@x(A15) | |
17 | =A15.new(~.#1:data) | |
18 | =interval@ms(A14,now()) | /4并行取数,1320毫秒 |
需要注意的是,并行取数时任务数可大于并行数。比如上面代码共8个任务,但同时执行的任务只有4个,其他待执行的任务排在队列中,如果某个小任务先执行完成,SPL会从队列中取下一个任务并执行它。可以看到,当任务数较多时,即使各任务负载相差较大,也能充分发挥硬件性能。
混合并行
当数据量太大时,除了分库计算,还可以进行混合数据源并行计算,后者性能更高。具体做法是:把数据分为两部分(或多部分),一部分存储在数据库中,通常是当前实时数据,一部分存储在组文件,通常是历史数据,再对两种数据源进行并行计算,从而获得更高性能。
比如历史订单存储在orders.ctx中,当前订单存储在数据库orcl中,请按年、月分组,对各组数据的amount字段求和。SPL代码如下:
A | B | |
1 | fork | select extract(year from orderTime)y,extract(month from orderTime)m,sum(amount) amount from orders group by extract(year from orderTime),extract(month from orderTime) |
2 | =connect("orcl") | |
3 | =B2.query@x(B1) | |
4 | fork | =file("orders.ctx").create() |
5 | =B4.groups(year(ORDERTIME):Y,month(ORDERTIME):M;sum(AMOUNT):AMOUNT) | |
6 | =[A1,A4].conj() | |
7 | =A6.groups(Y,M;sum(AMOUNT):AMOUNT) |
注意fork……fork……的用法。如果fork语句块下接非fork语句块,则两者顺序执行,如果fork语句块下接fork语句块,则两者并行执行。
转载于:https://blog.51cto.com/12749034/2394415