Optimalizátor založený na nákladech
Spark SQL může pomocí optimalizátoru nákladů (CBO) vylepšovat plány dotazů. To je užitečné zejména pro dotazy s více spojeními. Aby to fungovalo, je důležité shromažďovat statistiky tabulek a sloupců a udržovat je v aktualizovaném stavu.
Shromažďování statistik
Pokud chcete získat plnou výhodu CBO, je důležité shromáždit statistiky sloupců i statistiky tabulek. Statistiky je možné shromažďovat pomocí příkazu ANALYZOVAT TABULKU.
Tip
Pokud chcete udržovat statistiky aktuální, spusťte ANALYZE TABLE
po zápisu do tabulky příkaz .
Ověření plánů dotazů
Existuje několik způsobů, jak ověřit plán dotazu.
EXPLAIN
Příkaz
Pokud chcete zkontrolovat, jestli plán používá statistiku, použijte příkazy SQL.
- Databricks Runtime 7.x a novější: EXPLAIN
Pokud chybí statistika, nemusí být plán dotazu optimální.
== Optimized Logical Plan ==
Aggregate [s_store_sk], [s_store_sk, count(1) AS count(1)L], Statistics(sizeInBytes=20.0 B, rowCount=1, hints=none)
+- Project [s_store_sk], Statistics(sizeInBytes=18.5 MB, rowCount=1.62E+6, hints=none)
+- Join Inner, (d_date_sk = ss_sold_date_sk), Statistics(sizeInBytes=30.8 MB, rowCount=1.62E+6, hints=none)
:- Project [ss_sold_date_sk, s_store_sk], Statistics(sizeInBytes=39.1 GB, rowCount=2.63E+9, hints=none)
: +- Join Inner, (s_store_sk = ss_store_sk), Statistics(sizeInBytes=48.9 GB, rowCount=2.63E+9, hints=none)
: :- Project [ss_store_sk, ss_sold_date_sk], Statistics(sizeInBytes=39.1 GB, rowCount=2.63E+9, hints=none)
: : +- Filter (isnotnull(ss_store_sk) && isnotnull(ss_sold_date_sk)), Statistics(sizeInBytes=39.1 GB, rowCount=2.63E+9, hints=none)
: : +- Relation[ss_store_sk,ss_sold_date_sk] parquet, Statistics(sizeInBytes=134.6 GB, rowCount=2.88E+9, hints=none)
: +- Project [s_store_sk], Statistics(sizeInBytes=11.7 KB, rowCount=1.00E+3, hints=none)
: +- Filter isnotnull(s_store_sk), Statistics(sizeInBytes=11.7 KB, rowCount=1.00E+3, hints=none)
: +- Relation[s_store_sk] parquet, Statistics(sizeInBytes=88.0 KB, rowCount=1.00E+3, hints=none)
+- Project [d_date_sk], Statistics(sizeInBytes=12.0 B, rowCount=1, hints=none)
+- Filter ((((isnotnull(d_year) && isnotnull(d_date)) && (d_year = 2000)) && (d_date = 2000-12-31)) && isnotnull(d_date_sk)), Statistics(sizeInBytes=38.0 B, rowCount=1, hints=none)
+- Relation[d_date_sk,d_date,d_year] parquet, Statistics(sizeInBytes=1786.7 KB, rowCount=7.30E+4, hints=none)
Důležité
Statistika rowCount
je obzvláště důležitá pro dotazy s více spojeními. Pokud rowCount
chybí, znamená to, že není dostatek informací pro výpočet (to znamená, že některé požadované sloupce nemají statistiku).
Uživatelské rozhraní Spark SQL
Na stránce uživatelského rozhraní Spark SQL můžete zobrazit spuštěný plán a přesnost statistiky.
Například čára rows output: 2,451,005 est: N/A
znamená, že tento operátor vytvoří přibližně 2M řádků a nejsou k dispozici žádné statistiky.
Například čára rows output: 2,451,005 est: 1616404 (1X)
znamená, že tento operátor vytvoří přibližně 2M řádků, zatímco odhad byl přibližně 1,6 min. a faktor chyby odhadu byl 1.
Například čára rows output: 2,451,005 est: 2626656323
znamená, že tento operátor vytvoří přibližně 2M řádků, zatímco odhad byl 2B řádků, takže faktor chyby odhadu byl 1000.
Zakázání optimalizátoru Cost-Based
CBO je ve výchozím nastavení povolený. CBO zakážete změnou příznaku spark.sql.cbo.enabled
.
spark.conf.set("spark.sql.cbo.enabled", false)