Processamento paralelo para operações JOIN

Nesta página, explicamos o ajuste de desempenho para operações JOIN no Cloud Data Fusion.

As operações JOIN podem ser a parte mais cara de um pipeline. Como tudo o mais em um pipeline, as operações são executadas em paralelo. A primeira etapa de um JOIN é embaralhar os dados para que cada registro com a mesma chave JOIN seja enviado ao mesmo executor. Depois que todos os dados são embaralhados, eles são combinados e a saída continua pelo pipeline.

Exemplo de processamento paralelo em operações JOIN

Por exemplo, suponha que você execute uma operação JOIN em conjuntos de dados chamados Purchases e Items. Cada registro de compra contém um nome e um número de item comprados. Cada registro de item contém o nome e o preço do item. Um JOIN é executado no nome do item para calcular o preço total de cada compra. Quando os dados são mesclados, eles são embaralhados no cluster para que os registros com o mesmo ID acabem no mesmo executor.

Quando as chaves JOIN são distribuídas de maneira uniforme, as operações JOIN têm um bom desempenho, porque podem ser executadas em paralelo.

Como qualquer embaralhamento, o desvio de dados afeta negativamente a performance. No exemplo anterior, os ovos são comprados com muito mais frequência do que os de frango ou leite, o que significa que o executor que participa das compras de ovos faz mais trabalho do que os outros executores. Se você perceber que uma JOIN está distorcida, há duas maneiras de melhorar a performance.

Dividir automaticamente partições distorcidas

Com a execução adaptável de consultas, desvios muito pesados serão tratados automaticamente. Assim que uma JOIN produz algumas partições muito maiores que outras, elas são divididas em menores. Para confirmar se a execução de consulta adaptável está ativada, consulte Ajuste automático.

Usar um JOIN na memória

Uma JOIN na memória poderá ser realizada se um lado da JOIN for pequeno o suficiente para caber na memória. Nessa situação, o pequeno conjunto de dados é carregado na memória e transmitido para cada executor. O conjunto de dados grande não é embaralhado, removendo as partições desiguais geradas ao embaralhar na chave JOIN.

No exemplo anterior, o conjunto de dados de itens é carregado primeiro na memória do driver do Spark. Em seguida, ele é transmitido para cada executor. Os executores agora podem mesclar os dados sem embaralhar nenhum dos conjuntos de dados de compra.

Essa abordagem exige que você forneça memória suficiente ao driver e aos executores do Spark para permitir que eles armazenem o conjunto de dados de transmissão na memória. Por padrão, o Spark reserva um pouco menos de 30% da memória para armazenar esse tipo de dados. Ao usar JOINs na memória, multiplique o tamanho do conjunto de dados por quatro e defina-o como o executor e a memória do driver. Por exemplo, se o conjunto de dados de itens tinha 1 GB, precisaríamos definir o executor e a memória do driver como pelo menos 4 GB. Conjuntos de dados maiores que 8 GB não podem ser carregados na memória.

Distribuição de chaves

Quando os dois lados da JOIN são muito grandes para caber na memória, uma técnica diferente pode ser usada para dividir cada chave JOIN em várias chaves e aumentar o nível de paralelismo. Esta técnica pode ser aplicada a operações INNER JOIN e LEFT OUTER JOIN. Ele não pode ser usado para operações FULL OUTER JOIN.

Nessa abordagem, o lado distorcido é salgado com uma nova coluna de números inteiros com um número aleatório de 1 a N. O lado não distorcido é explodido, com cada linha existente gerando N novas linhas. Uma nova coluna é adicionada ao lado explodido, preenchida com cada número de 1 a N. Um JOIN normal é executado, mas a nova coluna é adicionada como parte da chave JOIN. Dessa forma, todos os dados que costumavam ir para uma única partição agora são distribuídos para até N partições diferentes.

No exemplo anterior, o fator de distribuição N está definido como 3. Os conjuntos de dados originais são mostrados à esquerda. As versões com sal e explodida do conjunto de dados são mostradas no meio. Os dados embaralhados são mostrados à direita, com três executores diferentes mesclando compras de ovos, em vez de um.

Para alcançar um maior paralelismo, aumente as distribuições. No entanto, isso custa a explosão de um lado do JOIN, resultando em mais dados embaralhados no cluster. Por isso, o benefício diminui à medida que a distribuição aumenta. Na maioria das situações, defina como 20 ou menos.

A seguir