-
spark.sql.codegen.wholeStage
Spark 2.0 默认启用。它会做所有的Spark Catalist 方面可以进行内部优化 .
-
spark.sql.codegen
(这是 Spark 1.3+ 中的功能)默认情况下false
。即使你说的是真的,你也可以与DF.explain / debug
但是,请。重新访问 Spark 2+ 中解释的方法,如下所示。
如果您使用的是较低版本的 Spark,即 1.3 或 1.4+,则相同的 DataFrame 方法是有效的,除非我们必须与 hiveContext 一起使用。
- 根据我的经验,上述查询的 Dataset[Row] 又名 DataFrame 方法比普通的 hive 查询要快一些。
请尝试下面的伪代码。
创建一个没有任何聚合、分组、排序的数据框,如下所示。
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._
import spark.implicits._
import spark.sql
// warehouseLocation points to the default location for managed databases and tables
val warehouseLocation = "file:${system:user.dir}/spark-warehouse"
val spark = SparkSession
.builder()
.appName("Spark Hive Aggregations")
.config("spark.sql.warehouse.dir", warehouseLocation)
.enableHiveSupport()
.getOrCreate()
val df : DataFrame = sql(("""select l_returnflag, l_linestatus,l_quantity,l_extendedprice,l_quantity ,l_extendedprice,l_quantity, l_extendedprice, l_discount from
lineitem where l_shipdate <= '1998-09-16""");
// can use spark udf or when(cond, evaluation), instead of direct expression
val df1 = df.withColumn("sum_disc_price", df.col("l_extendedprice") * (1 - df.col("l_discount"))
.withColumn("sum_charge", df.col("l_extendedprice") * (1 + df.col("l_tax"))
//NOW SUM, AVG and group by on dataframe
val groupeddf = df1.groupBy(
df1.col("returnflag")
, df1.col("l_linestatus")
.agg(
avg(df1.col("l_quantity")),
, avg(df1.col("l_extendedprice"))
, avg(df1.col("l_discount"))
, sum(df1.col("l_quantity"))
, sum(df1.col("l_extendedprice"))
, sum(df1.col("sum_disc_price"))
, sum(df1.col("sum_charge"))
, count(df1.col("l_linestatus").as("cnt")
) //end agg
) //end group by
//order by on dataframe
.orderBy("l_returnflag"))
.sort("l_linestatus")
val finalDF = groupeddf.select("l_returnflag","l_linestatus",............. etc);
- 此外,还需要考虑执行程序内存、执行程序/核心数量等参数以找到确切的问题