数据湖技术圈
本期导读 :【 JindoTable 计算加速 】第二十讲
主题:Spark 对 OSS 上的 ORC 数据进行查询加速
讲师:健身,阿里巴巴计算平台事业部 EMR 技术专家
内容框架:
ORC 简介
JindoFS 列存加速
性能对比
演示
直播回看链接:(20讲)
https://developer.aliyun.com/live/247100
1
ORC 简介
ORC:Hadoop 生态的列存系统
来自 Hive 的列式存储
支持列裁剪
包含类型信息,自描述
支持 Encoding/压缩
Spark 与 ORC
Spark Hive 表
• CREATE TABLE tablename … STORED AS
ORC;
• 使用 Hive ORC
• spark.sql.hive.convertMetastoreOrc
Spark Datasource 表
• CREATE TABLE tablename … USING ORC;
• 使用 Apache ORC
2
JindoFS 列存加速
痛点 :
对象存储水平扩展能力强,但请求延时高
本地盘/云盘带宽有限,中间数据越少越好
IO 需要与 shuffle 数据竞争网络资源
计算越快越好
JindoFS 列存加速 :
JindoTable Native Engine
• 高速读取
• 查询计划下推(高速计算)
• 表/分区/列级别的数据缓存,消除带宽瓶颈和性
能波动
支持 JindoFS/OSS
支持 ORC / Parquet 格式
高效的预计算(规划)
可插拔,兼容开源
用法 :
命令行参数
• --conf spark.sql.extensions=com.aliyun.
emr.sql.JindoTableExtension
配置到 spark-defaults
• spark.sql.extensions com.aliyun.emr.sql.
JindoTableExtension
Spark Hive 表需要确保 spark.sql.hive.
convertMetastoreOrc = trueEMR-3.35/4.9/5.2 之后的版本
加速原理 :
Native Engine 直接把数据排在内存中供上层引擎使用
Spark 通过 Unsafe 直接访问数据,无需拷贝数据
Native Engine 异步读取文件
• 数据读取不等待上层引擎消费,性能更高
高并发
• 文件级别并发
• 列级别并发
Native 实现算子
相比 Java 性能更优
加速架构 :
一套 Native Engine 支持不同引擎
AliORC 提供 ORC 支持
Native Engine 运行在 executor/Presto Worker 中(客户端)
3
性能对比
Spark 性能对比 – 配置
Spark 性能对比 – 结果
端到端总时间缩短23.6%
4
演示
演示
配置 Spark
读取鸢尾花数据集以 ORC 格式写入 OSS 路径
从 OSS 查询鸢尾花数据集
相关文档链接:
Jindodata 相关文档:
https://github.com/aliyun/alibabacloud-jindodata
计算加速使用文档:
https://help.aliyun.com/document_detail/213329.html
点击文章下方阅读原文,直接观看第20讲视频回放,获取讲师实例讲解~
⭐Github链接:
https://github.com/aliyun/alibabacloud-jindofs
不错过每次直播信息、探讨更多数据湖 JindoFS+OSS 相关技术问题,欢迎扫码加入钉钉交流群!