执行一个多小时 pyspark.sql.DataFrame.take(4)

Question

我在 3 个虚拟机（即 1 个主服务器；2 个从属服务器）上运行ning spark 1.6，均具有 4 个内核和 16GB 内存。

我可以看到在spark-master webUI上注册的worker。

我想从我的 Vertica 数据库中检索数据以对其进行处理。由于我没有设法运行复杂的查询，所以我尝试了虚拟查询来理解。我们认为这是一件容易的事。

我的代码是：

df = sqlContext.read.format('jdbc').options(url='xxxx', dbtable='xxx', user='xxxx', password='xxxx').load()
four = df.take(4)

输出是（注意：我用 @IPSLAVE 替换从属 VM IP:Port）：

16/03/08 13:50:41 INFO SparkContext: Starting job: take at <stdin>:1
16/03/08 13:50:41 INFO DAGScheduler: Got job 0 (take at <stdin>:1) with 1 output partitions
16/03/08 13:50:41 INFO DAGScheduler: Final stage: ResultStage 0 (take at <stdin>:1)
16/03/08 13:50:41 INFO DAGScheduler: Parents of final stage: List()
16/03/08 13:50:41 INFO DAGScheduler: Missing parents: List()
16/03/08 13:50:41 INFO DAGScheduler: Submitting ResultStage 0 (MapPartitionsRDD[1] at take at <stdin>:1), which has no missing parents
16/03/08 13:50:41 INFO MemoryStore: Block broadcast_0 stored as values in memory (estimated size 5.4 KB, free 5.4 KB)
16/03/08 13:50:41 INFO MemoryStore: Block broadcast_0_piece0 stored as bytes in memory (estimated size 2.6 KB, free 7.9 KB)
16/03/08 13:50:41 INFO BlockManagerInfo: Added broadcast_0_piece0 in memory on @IPSLAVE (size: 2.6 KB, free: 511.5 MB)
16/03/08 13:50:41 INFO SparkContext: Created broadcast 0 from broadcast at DAGScheduler.scala:1006
16/03/08 13:50:41 INFO DAGScheduler: Submitting 1 missing tasks from ResultStage 0 (MapPartitionsRDD[1] at take at <stdin>:1)
16/03/08 13:50:41 INFO TaskSchedulerImpl: Adding task set 0.0 with 1 tasks
16/03/08 13:50:41 INFO TaskSetManager: Starting task 0.0 in stage 0.0 (TID 0, @IPSLAVE, partition 0,PROCESS_LOCAL, 1922 bytes)
16/03/08 13:50:41 INFO BlockManagerInfo: Added broadcast_0_piece0 in memory on @IPSLAVE (size: 2.6 KB, free: 511.5 MB)
16/03/08 15:02:20 INFO TaskSetManager: Finished task 0.0 in stage 0.0 (TID 0) in 4299240 ms on @IPSLAVE (1/1)
16/03/08 15:02:20 INFO TaskSchedulerImpl: Removed TaskSet 0.0, whose tasks have all completed, from pool 
16/03/08 15:02:20 INFO DAGScheduler: ResultStage 0 (take at <stdin>:1) finished in 4299.248 s
16/03/08 15:02:20 INFO DAGScheduler: Job 0 finished: take at <stdin>:1, took 4299.460581 s

如您所见，这需要很长时间。我的 table 实际上相当大（存储大约 2.2 亿行，每行 11 个字段）但是使用 "normal" sql（例如 pyodbc）可以立即执行这样的查询。

我想我是 missunderstanding/missusing Spark，您有什么想法或建议可以让它更好地工作吗？

Answer 1

虽然 Spark 支持对 JDBC 的有限谓词下推，但所有其他操作（如限制、组、聚合）都在内部执行。不幸的是，这意味着 take(4) 将首先获取数据然后应用 limit。换句话说，您的数据库将执行（假设没有投影和过滤器）等同于：

SELECT * FROM table

其余的将由 Spark 处理。涉及一些优化（特别是 Spark 以获得 LIMIT 请求的记录数），但与数据库端优化相比，它仍然是非常低效的过程。

如果您想将 limit 推送到数据库，您必须使用子查询作为 dbtable 参数静态地执行此操作：

(sqlContext.read.format('jdbc')
    .options(url='xxxx', dbtable='(SELECT * FROM xxx LIMIT 4) tmp', ....))

sqlContext.read.format("jdbc").options(Map(
  "url"     -> "xxxx",
  "dbtable" -> "(SELECT * FROM xxx LIMIT 4) tmp",
))

请注意子查询中的别名是强制性的。

注:

一旦数据源 API v2 准备就绪，此行为将来可能会得到改进：

执行一个多小时 pyspark.sql.DataFrame.take(4)

More than one hour to execute pyspark.sql.DataFrame.take(4)

apache-spark

pyspark

apache-spark-sql

pyspark-sql