Spark UDAF以ArrayType作为bufferSchema性能问题

我正在开发一个返回元素数组的 UDAF。

每次更新的输入是索引和值的元组。

UDAF 的作用是将同一索引下的所有值相加。

Example:

对于输入（索引，值）：（2,1），（3,1），（2,3）

应该返回 (0,0,4,1,...,0)

逻辑工作正常，但我有一个问题更新方法，仅是我的实现每行更新 1 个单元格，但该方法中的最后一个分配实际上复制整个数组- 这是多余的并且非常耗时。

仅此任务就负责98% 的查询执行时间.

我的问题是，如何减少这个时间？是否可以在缓冲区数组中分配 1 个值而不必替换整个缓冲区？

P.S.：我正在使用 Spark 1.6，我无法很快升级它，所以请坚持使用适用于此版本的解决方案。

class SumArrayAtIndexUDAF() extends UserDefinedAggregateFunction{

  val bucketSize = 1000

  def inputSchema: StructType =  StructType(StructField("index",LongType) :: StructField("value",LongType) :: Nil)

  def dataType: DataType = ArrayType(LongType)

  def deterministic: Boolean = true

  def bufferSchema: StructType = {
    StructType(
      StructField("buckets", ArrayType(LongType)) :: Nil  
    )
  }

  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    buffer(0) = new Array[Long](bucketSize)
  }

  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    val index = input.getLong(0)
    val value = input.getLong(1)

    val arr = buffer.getAs[mutable.WrappedArray[Long]](0)

    buffer(0) = arr   // TODO THIS TAKES WAYYYYY TOO LONG - it actually copies the entire array for every call to this method (which essentially updates only 1 cell)
  }

    override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    val arr1 = buffer1.getAs[mutable.WrappedArray[Long]](0)
    val arr2 = buffer2.getAs[mutable.WrappedArray[Long]](0)

    for(i <- arr1.indices){
      arr1.update(i, arr1(i) + arr2(i))
    }

    buffer1(0) = arr1
  }

  override def evaluate(buffer: Row): Any = {
    buffer.getAs[mutable.WrappedArray[Long]](0)
  }
}

TL;DR要么不使用 UDAF 要么使用原始类型代替ArrayType.

Without UserDefinedFunction

两种解决方案都应该跳过内部和外部表示之间昂贵的杂耍。

使用标准聚合和pivot

这使用标准 SQL 聚合。虽然进行了内部优化，但当键的数量和数组的大小增加时，其成本可能会很高。

给定输入：

val df = Seq((1, 2, 1), (1, 3, 1), (1, 2, 3)).toDF("id", "index", "value")

You can:

import org.apache.spark.sql.functions.{array, coalesce, col, lit}

val nBuckets = 10
@transient val values = array(
  0 until nBuckets map (c => coalesce(col(c.toString), lit(0))): _*
)

df
  .groupBy("id")
  .pivot("index", 0 until nBuckets)
  .sum("value")
  .select($"id", values.alias("values"))

+---+--------------------+                                                      
| id|              values|
+---+--------------------+
|  1|[0, 0, 4, 1, 0, 0...|
+---+--------------------+

使用 RDD API 与combineByKey / aggregateByKey.

普通旧byKey与可变缓冲区的聚合。没有花里胡哨的东西，但在广泛的输入范围内应该表现得相当好。如果您怀疑输入稀疏，您可以考虑更有效的中间表示，例如可变的Map.

rdd
  .aggregateByKey(Array.fill(nBuckets)(0L))(
    { case (acc, (index, value)) => { acc(index) += value; acc }},
    (acc1, acc2) => { for (i <- 0 until nBuckets) acc1(i) += acc2(i); acc1}
  ).toDF

+---+--------------------+
| _1|                  _2|
+---+--------------------+
|  1|[0, 0, 4, 1, 0, 0...|
+---+--------------------+

Using UserDefinedFunction与原始类型

据我了解内部结构，性能瓶颈是ArrayConverter.toCatalystImpl https://github.com/apache/spark/blob/7fdacbc77bbcf98c2c045a1873e749129769dcc0/sql/catalyst/src/main/scala/org/apache/spark/sql/catalyst/CatalystTypeConverters.scala#L159-L174.

看起来每次调用都会调用它MutableAggregationBuffer.update https://github.com/apache/spark/blob/3ff766f61afbd09dcc7a73eae02e68a39114ce3f/sql/core/src/main/scala/org/apache/spark/sql/execution/aggregate/udaf.scala#L246，然后依次分配新的GenericArrayData对于每个Row.

如果我们重新定义bufferSchema as:

def bufferSchema: StructType = {
  StructType(
    0 to nBuckets map (i => StructField(s"x$i", LongType))
  )
}

both update and merge可以表示为缓冲区中原始值的简单替换。调用链仍然会很长，但是它不需要副本/转换 https://github.com/apache/spark/blob/7fdacbc77bbcf98c2c045a1873e749129769dcc0/sql/catalyst/src/main/scala/org/apache/spark/sql/catalyst/CatalystTypeConverters.scala#L324和疯狂的分配。省略null检查你需要类似的东西

val index = input.getLong(0)
buffer.update(index, buffer.getLong(index) + input.getLong(1))

and

for(i <- 0 to nBuckets){
  buffer1.update(i, buffer1.getLong(i) + buffer2.getLong(i))
}

分别。

Finally evaluate应该采取Row并将其转换为输出Seq:

 for (i <- 0 to nBuckets)  yield buffer.getLong(i)

请注意，在此实现中，一个可能的瓶颈是merge。虽然它不应该引入任何新的性能问题，但M桶，每次调用merge is O(M).

With K唯一的密钥，以及P它将被称为分区M * K在最坏的情况下，每个键在每个分区上至少出现一次。这有效地增加了merge组件到O(M * N * K).

一般来说，您对此无能为力。但是，如果您对数据分布做出具体假设（数据稀疏，密钥分布均匀），您可以稍微简化一下，首先进行洗牌：

df
  .repartition(n, $"key")
  .groupBy($"key")
  .agg(SumArrayAtIndexUDAF($"index", $"value"))

如果满足假设，则应该：

• 通过打乱稀疏对来减少打乱大小，而不是像密集数组那样，违反直觉Rows.
• 仅使用更新来聚合数据（每个O(1)）可能仅作为索引的子集进行接触。

然而，如果一个或两个假设不满足，您可以预期洗牌大小将会增加，而更新数量将保持不变。同时，数据偏差可能会让事情变得更糟。update - shuffle - merge设想。

Using Aggregator具有“强”类型Dataset:

import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.catalyst.encoders.ExpressionEncoder
import org.apache.spark.sql.{Encoder, Encoders}

class SumArrayAtIndex[I](f: I => (Int, Long))(bucketSize: Int)  extends Aggregator[I, Array[Long], Seq[Long]]
    with Serializable {
  def zero = Array.fill(bucketSize)(0L)
  def reduce(acc: Array[Long], x: I) = {
    val (i, v) = f(x)
    acc(i) += v
    acc
  }

  def merge(acc1: Array[Long], acc2: Array[Long]) = {
    for {
      i <- 0 until bucketSize
    } acc1(i) += acc2(i)
    acc1
  }

  def finish(acc: Array[Long]) = acc.toSeq

  def bufferEncoder: Encoder[Array[Long]] = Encoders.kryo[Array[Long]]
  def outputEncoder: Encoder[Seq[Long]] = ExpressionEncoder()
}

可以如下所示使用

val ds = Seq((1, (1, 3L)), (1, (2, 5L)), (1, (0, 1L)), (1, (4, 6L))).toDS

ds
  .groupByKey(_._1)
  .agg(new SumArrayAtIndex[(Int, (Int, Long))](_._2)(10).toColumn)
  .show(false)

+-----+-------------------------------+
|value|SumArrayAtIndex(scala.Tuple2)  |
+-----+-------------------------------+
|1    |[1, 3, 5, 0, 6, 0, 0, 0, 0, 0] |
|2    |[0, 11, 0, 0, 0, 0, 0, 0, 0, 0]|
+-----+-------------------------------+

Note:

也可以看看SPARK-27296 https://issues.apache.org/jira/browse/SPARK-27296 - 用户定义聚合函数 (UDAF) 存在重大效率问题