使用split_size優化的ODPS SQL的場景

首先有兩個大背景需要說明如下：
說明1：split_size，設定一個map的最大數據輸入量，單位M，默認256M。用戶可以通過控制這個變量，從而達到對map端輸入的控制。設置語句：set odps.sql.mapper.split.size=256。一般在調整這個設置時，往往是發現一個map instance處理的數據行數太多。

說明2：小文件越多，需要instance資源也越多，MaxCompute對單個Instance可以處理的小文件數限制為120個，如此造成浪費資源，影響整體的執行性能（文件的大小小于塊Block 64M的文件）。

場景一：單記錄數據存儲太少

原始Logview Detail：

可以發現Job只調起一個Map Instance，供處理了156M的數據，但這些數據共有5千多萬的記錄（單記錄平均3個byte），花費了25分鐘。
此外，從TimeLine看可以發現，整個Job耗費43分鐘，map占用了超過60%的時間。故可對map進行優化。

優化手段：調小split_size為16M

優化之后的logview：

優化后，可以發現，Job調起了7個Map Instance，耗時4分鐘；某一個Map處理了27M的數據，6百萬記錄。（這里可以看出set split_size只是向Job提出申請，單不會嚴格生效，Job還是會根據現有的資源情況等來調度Instance）因為Map的變多，Join和Reduce的instance也有增加。整個Job的執行時間也下降到7分鐘。

場景二：用MapJoin實現笛卡爾積

原始logview：

可以發現，Job調起了4個Map，花費了3個小時沒有跑完；查看詳細Log，某一個Map因為笛卡爾的緣故，生成的數據量暴漲。
綜合考慮，因為該語句使用Mapjoin生成笛卡爾積，再篩選符合條件的記錄，兩件事情都由map一次性完成，故對map進行優化。

策略調低split_size
優化后的logview：
![]

優化后，可以看到，Job調度了38個map，單一map的生成數據量下降了，整體map階段耗時也下降到37分鐘。
回頭追朔這個問題的根源，主要是因為使用mapjoin笛卡爾積的方式來實現udf條件關聯的join，導致數據量暴漲。故使用這種方式來優化，看起來并不能從根本解決問題，故我們需要考慮更好的方式來實現類似邏輯。

?

一站式開發者服務，海量學習資源0元起！
阿里熱門開源項目、機器學習干貨、開發者課程/工具、小微項目、移動研發等海量資源；更有開發者福利Kindle、技術圖書幸運抽獎，100%中--》https://www.aliyun.com/acts/product-section-2019/developer?utm_content=g_1000047140

原文鏈接
本文為云棲社區原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的使用split_size优化的ODPS SQL的场景的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。