使用split_size優(yōu)化的ODPS SQL的場景

首先有兩個大背景需要說明如下：
說明1：split_size，設(shè)定一個map的最大數(shù)據(jù)輸入量，單位M，默認(rèn)256M。用戶可以通過控制這個變量，從而達(dá)到對map端輸入的控制。設(shè)置語句：set odps.sql.mapper.split.size=256。一般在調(diào)整這個設(shè)置時，往往是發(fā)現(xiàn)一個map instance處理的數(shù)據(jù)行數(shù)太多。

說明2：小文件越多，需要instance資源也越多，MaxCompute對單個Instance可以處理的小文件數(shù)限制為120個，如此造成浪費資源，影響整體的執(zhí)行性能（文件的大小小于塊Block 64M的文件）。

場景一：單記錄數(shù)據(jù)存儲太少

原始Logview Detail：

可以發(fā)現(xiàn)Job只調(diào)起一個Map Instance，供處理了156M的數(shù)據(jù)，但這些數(shù)據(jù)共有5千多萬的記錄（單記錄平均3個byte），花費了25分鐘。
此外，從TimeLine看可以發(fā)現(xiàn)，整個Job耗費43分鐘，map占用了超過60%的時間。故可對map進(jìn)行優(yōu)化。

優(yōu)化手段：調(diào)小split_size為16M

優(yōu)化之后的logview：

優(yōu)化后，可以發(fā)現(xiàn)，Job調(diào)起了7個Map Instance，耗時4分鐘；某一個Map處理了27M的數(shù)據(jù)，6百萬記錄。（這里可以看出set split_size只是向Job提出申請，單不會嚴(yán)格生效，Job還是會根據(jù)現(xiàn)有的資源情況等來調(diào)度Instance）因為Map的變多，Join和Reduce的instance也有增加。整個Job的執(zhí)行時間也下降到7分鐘。

場景二：用MapJoin實現(xiàn)笛卡爾積

原始logview：

可以發(fā)現(xiàn)，Job調(diào)起了4個Map，花費了3個小時沒有跑完；查看詳細(xì)Log，某一個Map因為笛卡爾的緣故，生成的數(shù)據(jù)量暴漲。
綜合考慮，因為該語句使用Mapjoin生成笛卡爾積，再篩選符合條件的記錄，兩件事情都由map一次性完成，故對map進(jìn)行優(yōu)化。

策略調(diào)低split_size
優(yōu)化后的logview：
![]

優(yōu)化后，可以看到，Job調(diào)度了38個map，單一map的生成數(shù)據(jù)量下降了，整體map階段耗時也下降到37分鐘。
回頭追朔這個問題的根源，主要是因為使用mapjoin笛卡爾積的方式來實現(xiàn)udf條件關(guān)聯(lián)的join，導(dǎo)致數(shù)據(jù)量暴漲。故使用這種方式來優(yōu)化，看起來并不能從根本解決問題，故我們需要考慮更好的方式來實現(xiàn)類似邏輯。

?

一站式開發(fā)者服務(wù)，海量學(xué)習(xí)資源0元起！
阿里熱門開源項目、機器學(xué)習(xí)干貨、開發(fā)者課程/工具、小微項目、移動研發(fā)等海量資源；更有開發(fā)者福利Kindle、技術(shù)圖書幸運抽獎，100%中--》https://www.aliyun.com/acts/product-section-2019/developer?utm_content=g_1000047140

原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的使用split_size优化的ODPS SQL的场景的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。