Apache Spark 的資料處理最佳化
本文討論如何最佳化 Apache Spark 叢集的設定，讓 Azure HDInsight 發揮最佳效能。
概觀
如果在聯結或重組有緩慢的作業，原因可能是「資料扭曲」。 資料扭曲是指作業資料不對稱。 例如，對應作業可能需要 20 秒。 但是執行連結或重組資料的作業需要數小時。 若要修正資料扭曲，您應該將整個索引鍵設定為 salt，或僅針對一部分的索引鍵使用「隔離 salt」。 如果您使用隔離 salt，應該進一步篩選來隔離對應聯結中一部分的 salt 索引鍵。 另一個選項是導入貯體資料行並先在貯體中預先彙總。
造成緩慢聯結的另一個因素可能是聯結類型。 Spark 預設使用 SortMerge 聯結類型。 這種聯結最適用於大型資料集。 但是佔用大量運算資源，因為其必須先將左邊和右邊的資料排序，再合併資料。
Broadcast 聯結最適合使用較小的資料集，或聯結的一端遠小於另一端的情況。 這種聯結會將一端廣播到所有的執行程式，因此一般而言需要較多記憶體用於廣播。
您也可以設定 spark.sql.autoBroadcastJoinThreshold 在您的設定中變更聯結類型，也可以使用資料框架 API (dataframe.join(broadcast(df2))) 設定聯結提示。
// Option 1
spark.conf.set("spark.sql.autoBroadcastJoinThreshold", 1*1024*1024*1024)
// Option 2
val df1 = spark.table("FactTableA")
val df2 = spark.table("dimMP")
df1.join(broadcast(df2), Seq("PK")).
createOrReplaceTempView("V_JOIN")
sql("SELECT col1, col2 FROM V_JOIN")
如果您使用貯體資料表，則您有第三個聯結類型：Merge 聯結。 正確預先分割和預先排序的資料集會略過 SortMerge 聯結的昂貴排序階段。
聯結順序相當重要，尤其是更複雜的查詢。 先從大多數選擇性聯結開始。 此外，盡可能移動彙總之後會增加資料列數目的聯結。
若要管理笛卡兒聯結的平行處理，您可以加入巢狀結構、視窗化，而且可略過 Spark 作業中的一或多個步驟。
最佳化作業執行
- 必要時進行快取，例如，如果您使用資料兩次，則快取資料。
- 將變數廣播到所有執行程式。 變數只會序列化一次，因此查閱更快。
- 使用驅動程式上的執行緒集區，會使許多工作的作業加快。
定期監視執行中工作的效能問題。 如果您需要深入了解特定問題，請考慮下列其中一個效能分析工具：
- Intel PAL Tool 會監視 CPU、儲存體和網路頻寬使用量。
- Oracle Java 8 Mission Control 可分析 Spark 和執行程式的程式碼。
Spark 2.x 查詢效能的關鍵是 Tungsten 引擎，這取決於整體階段程式碼產生。 在某些情況下，可能會停用整體階段程式碼產生。 例如，如果您在彙總運算式中使用不可變類型 (string)，會出現 SortAggregate 而非 HashAggregate。 例如，為了提升效能，請嘗試下列方法，然後重新啟用程式碼產生：
MAX(AMOUNT) -> MAX(cast(AMOUNT as DOUBLE))