При вставке данных в таблицу Hudi наблюдается низкая производительность - PullRequest
Новая
       4

При вставке данных в таблицу Hudi наблюдается низкая производительность

1 голос
/ 25 мая 2020

Я использую Datasource Writer API для записи 5000 записей в таблицу копирования при записи Hudi, каждая с 8 столбцами и общим размером менее 1 МБ. Пожалуйста, обратитесь к приведенному ниже коду. 

        Dataset<Row> ds1 = spark.read().json(jsc.parallelize(records, 2));
        DataFrameWriter<Row> writer = ds1.write().format("org.apache.hudi")
                .option("hoodie.insert.shuffle.parallelism", 2)
                .option("hoodie.upsert.shuffle.parallelism", 2)
                .option(DataSourceWriteOptions.OPERATION_OPT_KEY(), DataSourceWriteOptions.INSERT_OPERATION_OPT_VAL())
                .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY(), tableType)
                .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY(), recordKey)
                .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY(), partitionPath)
                .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY(), precombineKey)
                .option(HoodieWriteConfig.TABLE_NAME, hudiTableName)

                .option(DataSourceWriteOptions.HIVE_TABLE_OPT_KEY(), hudiTableName)
                .option(DataSourceWriteOptions.HIVE_DATABASE_OPT_KEY(), hiveDatabase)
                .option(DataSourceWriteOptions.HIVE_URL_OPT_KEY(), hiveServerUrl)
                .option(DataSourceWriteOptions.HIVE_USER_OPT_KEY(), hiveUser)
                .option(DataSourceWriteOptions.HIVE_PASS_OPT_KEY(), hivePassword)
                .option(DataSourceWriteOptions.HIVE_SYNC_ENABLED_OPT_KEY(), hiveSyncEnabled)
                .option(DataSourceWriteOptions.HIVE_PARTITION_FIELDS_OPT_KEY(), partitionPath) 
                .mode(SaveMode.Append);

        writer.save(basePath);

Заявка отправлена ​​в yarn через spark-submit. Вначале для завершения sh операции вставки требуется всего 3 ~ 4 секунды, но она становится все длиннее и дольше, скажем, 30 секунд через 5 минут. Из приведенных ниже журналов искры видно, что большая часть времени тратится на задачу подсчета HoodieSparkSqlWriter. 

2020-05-25 16:36:37,851 | INFO  | [dag-scheduler-event-loop] | Adding task set 185.0 with 1 tasks | org.apache.spark.internal.Logging$class.logInfo(Logging.scala:54)
2020-05-25 16:36:37,851 | INFO  | [dispatcher-event-loop-0] | Starting task 0.0 in stage 185.0 (TID 190, node-ana-corepOlf, executor 2, partition 0, NODE_LOCAL, 7651 bytes) | org.apache.spark.internal.Logging$class.logInfo(Logging.scala:54)
2020-05-25 16:36:37,858 | INFO  | [dispatcher-event-loop-1] | Added broadcast_124_piece0 in memory on node-ana-corepOlf:36554 (size: 138.1 KB, free: 29.2 GB) | org.apache.spark.internal.Logging$class.logInfo(Logging.scala:54)
2020-05-25 16:36:37,887 | INFO  | [dispatcher-event-loop-1] | Asked to send map output locations for shuffle 53 to 10.155.114.97:32461 | org.apache.spark.internal.Logging$class.logInfo(Logging.scala:54)
2020-05-25 16:37:11,098 | INFO  | [dispatcher-event-loop-0] | Added rdd_381_0 in memory on node-ana-corepOlf:36554 (size: 387.0 B, free: 29.2 GB) | org.apache.spark.internal.Logging$class.logInfo(Logging.scala:54)
2020-05-25 16:37:11,111 | INFO  | [task-result-getter-2] | Finished task 0.0 in stage 185.0 (TID 190) in 33260 ms on node-ana-corepOlf (executor 2) (1/1) | org.apache.spark.internal.Logging$class.logInfo(Logging.scala:54)
2020-05-25 16:37:11,111 | INFO  | [task-result-getter-2] | Removed TaskSet 185.0, whose tasks have all completed, from pool  | org.apache.spark.internal.Logging$class.logInfo(Logging.scala:54)
2020-05-25 16:37:11,112 | INFO  | [dag-scheduler-event-loop] | ResultStage 185 (count at HoodieSparkSqlWriter.scala:254) finished in 33.308 s | org.apache.spark.internal.Logging$class.logInfo(Logging.scala:54)
2020-05-25 16:37:11,113 | INFO  | [Driver] | Job 70 finished: count at HoodieSparkSqlWriter.scala:254, took 33.438673 s | org.apache.spark.internal.Logging$class.logInfo(Logging.scala:54)

Пытался настроить параметр hood ie .insert.shuffle.parallelism на 20, но не помогло. И использование ЦП / кучи в норме.

Ниже приведены настройки для приложения. Любые советы приветствуются. 

Executor instance: 2
Executor memory: 55g
Executor cores: 4
Driver memory: 4g

1 Ответ

0 голосов
/ 30 мая 2020

вы бы попросили помощи в dev@hudi.apache.org проблемах с ML или github.

...