1、前言

在離線數(shù)據(jù)研發(fā)中，隨著業(yè)務的快速發(fā)展以及業(yè)務復雜度的不斷提高，數(shù)據(jù)量的不斷增長，尤其得物這種業(yè)務的高速增長，必然帶來數(shù)據(jù)邏輯復雜度的提升，數(shù)據(jù)量越大，復雜度越高，對任務的性能的要求就越高，因此，任務性能的優(yōu)化就成了大家必然的話題，在離線數(shù)倉招聘中，這幾乎成了必考題目。

大數(shù)據(jù)領域，為了提高超大數(shù)據(jù)量的計算性能，幾代人不斷在努力，不斷榨取著計算機的CPU、內(nèi)存、磁盤每一個模塊的性能，從早期的縱向擴展（提升計算機性能，如IBM、ORACLE 早期推崇的服務器到小型機到大型機的演進）到目前的大規(guī)模橫向擴展(分布式集群模式），都是旨在提升大數(shù)據(jù)的性能。

本文重點從在分布式計算模式下，如何來優(yōu)化任務，大家耳熟能詳?shù)某Ｒ妰?yōu)化如：mapjoin skewjoin distribute by 等就不多做贅述，本文主要探索技巧、策略及方法。

2、任務優(yōu)化策略

2.1 優(yōu)化方向

補充說明：目前得物大數(shù)據(jù)在阿里云的dataworks 環(huán)境下，集群層面做了比較多的工作，IO、網(wǎng)絡、機架感應等暫時無需過多關注，如有自建集群時，可重點關注，我們重點關注JOIN  和REDUCE 層面，優(yōu)化細節(jié)也重點基于這兩個方向做細節(jié)展開。

2.2 優(yōu)化手段

對于優(yōu)化手段優(yōu)化方法，我們大多數(shù)習慣性從技術手段出發(fā)，更多的從算子、邏輯兼容等來處理，但是在某些業(yè)務場景下，如埋點日志,數(shù)據(jù)量一般比較大，這種情況無論技術手段如何干預，都無法解決存儲和計算帶來的資源消耗，這時候如果要提升SLA，就得從業(yè)務場景出發(fā)，做好業(yè)務的分類分級以及核心數(shù)據(jù)分流，因此，本文的優(yōu)化手段會從技術手段和業(yè)務手段兩方面展開。

• 技術手段

聚焦于技術手段來處理任務，參加上述單點任務優(yōu)化方向，主要是SQL 邏輯、模型規(guī)范、算子優(yōu)化及可能存在的集群優(yōu)化

• 業(yè)務手段

聚焦于業(yè)務特性、業(yè)務邏輯來進行處理，基于不同的業(yè)務特性及重要程度，從生產(chǎn)、采集、模型、數(shù)據(jù)消費全鏈路進行梳理和架構優(yōu)化，同時形成一套數(shù)據(jù)鏈路上的通知及約束機制，避免上游變更帶來的下游數(shù)據(jù)故障及恢復問題。

3、優(yōu)化實踐案例

優(yōu)化策略中，定義好優(yōu)化方向、優(yōu)化手段，接下來，我們選取一些比較有效的沉淀出來的方案，展開講講如何來做任務優(yōu)化。

前文講述，目前的得物的數(shù)據(jù)平臺特性（dataworks)，我們在IO、網(wǎng)絡、RPC 通信機制等暫時涉入不深，且對于面向業(yè)務的數(shù)據(jù)研發(fā)來言，大部分人不會過多關注底層的實現(xiàn)原理，暫不做過多深入探討。

我們基于上面方向中的技術手段講述幾個日常常見的優(yōu)化案例

3.1 數(shù)據(jù)重分發(fā)（Distribute &Rand)

3.1.1 數(shù)據(jù)重分發(fā)的要點

日常數(shù)據(jù)研發(fā)中，最常見的且使用較多的就是數(shù)據(jù)傾斜或數(shù)據(jù)量帶來的數(shù)據(jù)重分發(fā)（打散或隨機），對于數(shù)據(jù)的重分發(fā)，主要分以下幾點：

• 優(yōu)化小文件
• 數(shù)據(jù)傾斜
• 排序&隨機

小文件過多帶來的MAP 端資源損耗和數(shù)據(jù)傾斜是我們?nèi)粘ｉ_發(fā)過程中最為常見的性能問題，而這兩點大多跟rand()隨機數(shù)有一定的關系，通過數(shù)據(jù)分發(fā)和打散和規(guī)避掉大部分此場景下的問題。

數(shù)據(jù)重分發(fā)一般代碼操作如下所示

select c1,c2... from tablename distribute by c1[,...]
select c1,c2... from tablename distribute by rand([,seed])[,...]

對于rand() 我們要注意幾點，可讓我們在優(yōu)化任務時，知其然，更知其所以然。

• rand() 隨機數(shù)的生成規(guī)律跟數(shù)學概率有莫大的關系，尤其在算法中，會被經(jīng)常性問到，給定隨機生成的N個數(shù)，構造等概率事件的發(fā)生器，跑題了，繼續(xù)說回在hive 或odps 場景下，rand() 函數(shù)是隨機生成的0-1 的double 類型的數(shù)字。
• rand(int seed) 函數(shù)可以根據(jù)種子參數(shù)，構造一個穩(wěn)定的隨機值，加上種子參數(shù)，得到的結果是相對穩(wěn)定的，尤其在處理小文件過程中，這一步很重要。
• Hive 和odps 場景中，隨機函數(shù)多與pmod()、mod()、floor()、ceil() 等函數(shù)結合使用，可以根據(jù)不同的業(yè)務場景，來構造任意范圍內(nèi)的隨機整數(shù)，比如在處理數(shù)據(jù)重分發(fā)解決數(shù)據(jù)傾斜的問題時，同時擔心影響這種重分發(fā)帶來過多的小文件，隨機數(shù)可以這樣來取  floor(rand())*N/ceil(rand())+1,取1-N 之間的整數(shù)。

比如在流量數(shù)據(jù)里面，因為大量空值時，結合rand函數(shù)，解決數(shù)據(jù)傾斜問題：

select * 
from  a 
left join b on a.order_id = nvl(b.order_id ,concat('hive',rand()))
--b中的order_id 存在大量空值 的時候

3.1.2 數(shù)據(jù)重分發(fā)的作用

對于數(shù)據(jù)重分發(fā)，我們主要是用來對處理數(shù)據(jù)結果進行小文件合并以及對數(shù)據(jù)處理中的傾斜問題進行優(yōu)化。在大多數(shù)的處理中，我們習慣于使用Distribute by Rand() *N 的方式，其實這個方式可能存在問題，在處理類似問題時候，我們可以選擇基于seed種子的Rand函數(shù)，來維持隨機數(shù)的穩(wěn)定性。這里需要知曉，distribute by 實際上做了一次shuffle的分發(fā)，默認是按照給定key進行的hash操作（可以理解為一次repartion重新分區(qū)），這里面是可以進行定制分區(qū)邏輯的，可以通過重寫hive當中partition的接口，實現(xiàn)不同策略的重分發(fā)。

• 處理小文件合并

使用方式一：指定固定分發(fā)列，做一次shuffle的merge操作，DEMO如下：

SELECT column1, column2,column.... FROM TABLEX WHERE ds = '${bizdate}'DISTRIBUTE BY '${bizdate}',columns1....

使用方式二：指定給定的文件數(shù),這里要用到rand()函數(shù)了，一般有兩種寫法：

第一種寫法（上文討論過，這種寫法在一定情況下會出現(xiàn)數(shù)據(jù)問題）：

SELECT column1, column2,column.... FROM TABLEX WHERE ds = '${bizdate}'DISTRIBUTE BY FLOOR(RAND()*N)/CEIL(RAND()*N)

第二種寫法（加隨機種子，產(chǎn)生穩(wěn)定的隨機序列）：

SELECT column1,column2,column.... FROM (    SELECT column1, column2,column...., FLOOR(RAND(seed)*N) AS rep_partion FROM      TABLEX      WHERE ds = '${bizdate}')DISTRIBUTE BY rep_partion

• 處理JOIN中的傾斜：與上述邏輯同理，主要是借助一次分發(fā)，使得需要shuffle的數(shù)據(jù)能在一個節(jié)點進行數(shù)據(jù)處理。

3.2 數(shù)據(jù)膨脹(Explode)

在join過程中，我們之前提到了一種基于BLOOMFILTER算法的優(yōu)化方法。在某些情況下，當join的表中出現(xiàn)一個表的量級很大，另外一個表無法mapjoin切熱鍵key在概率分布上呈現(xiàn)隨機性，這個時候就可以在一定程度上，對較小表中的join key進行一定程度的膨脹，由于join的發(fā)生是在reduce階段，因此可以構造出穩(wěn)定的多條主鍵，在不同的reduce中對數(shù)據(jù)進行jion操作，進而一定程度上解決join傾斜帶來的問題。基本原理如下圖所示：

一個小例子，當研發(fā)使用數(shù)組形式存儲數(shù)據(jù)(sku_ids)時，數(shù)倉想要拿到數(shù)組中每一個sku_id，使用 lateral view EXPLODE。代碼如下：

select order_id 
from a 
lateral view explode(split(order_ids,',')) v1 as order_id 
group by order_id

結果展示：

order_ids  order_id 
101,102,103 101
101,102,103 102
101,102,103 103
104,105 104
104,105 105

目前，膨脹函數(shù)已經(jīng)有開發(fā)出來有現(xiàn)成的UDTF函數(shù)來支持，可以支撐任意膨脹量級的數(shù)據(jù)進行膨脹。只需要構造膨脹區(qū)間對應的隨機函數(shù)即可，還是需要用到Rand()函數(shù)來實現(xiàn)。

數(shù)據(jù)膨脹方式帶來的問題：

在解決了數(shù)據(jù)傾斜重新打散的問題之后，在計算層面會增加一定的數(shù)據(jù)計算量。此外，如果能基于分桶進行二次索引分片，也可以在引擎?zhèn)瓤紤]基于該方向的自適應傾斜優(yōu)化。

3.3 數(shù)據(jù)分桶(Bucket)

在數(shù)據(jù)量比較大的情況下，單表數(shù)據(jù)做分區(qū)會存在下游使用效率上的限制，而數(shù)據(jù)在某些列上（或者構造業(yè)務列）存在高度聚集，或者存在可以優(yōu)化提升的巨大空間，在此時，我們就可以對列進行散列分桶，在分區(qū)的基礎上進行桶表的設計，桶上可以對應索引向量，將極大的提升數(shù)據(jù)使用上的效率。

在數(shù)據(jù)隨機抽樣、JOIN場景中，也會極大的提升整個數(shù)據(jù)的計算性能和效率。在hive中，該功能默認是關閉的，需要set hive.enforce.bucketing=true打開支持，odps 下可能無需特別關注，需要注意一般而言，桶的個數(shù)將與一次作業(yè)中對應的reduce數(shù)量一致。

其實，基于分桶的邏輯，在引擎?zhèn)瓤梢宰龈嗟膬?yōu)化（比如引擎?zhèn)瓤梢詢?yōu)化分桶存儲的策略）。在join中，根據(jù)索引進行join層面的動態(tài)優(yōu)化，在超大數(shù)據(jù)join過程中，基于桶進行單位數(shù)據(jù)的本地優(yōu)化等等都是可以做非常多的優(yōu)化操作的，由于在目前的業(yè)務場景中，較少用到數(shù)據(jù)分桶，因此這里不做更深入的拓展，詳細的可以自行百度，查看關于桶表的使用，更進一步，合理分桶，加上排序后的索引，能高效優(yōu)化單表查詢使用的效率。

3.4 并發(fā)與并行控制

在計算機入門的時候，我們就經(jīng)常聽到并發(fā)與并行，線程與進程等概念。而在數(shù)據(jù)研發(fā)中，我們發(fā)現(xiàn)，其實對于整個作業(yè)來說，同樣遵循類似的調(diào)優(yōu)規(guī)則。一般的，一個作業(yè)最大的map數(shù)是9999，reduce數(shù)最大是1000。雖然可以提高單個任務吞吐量，但是會消耗更長的時間和資源調(diào)度上的等待。另一方面，當完成一個同類作業(yè)，往往需要多個任務進行，如果任務下面可以多個作業(yè)并行處理，單個作業(yè)也能夠并發(fā)執(zhí)行，那么就能夠更大程度地榨取整個集群的資源，從而達到突破計算瓶頸和上線的目的。目前在開源HADOOP體系中，我們沒有腳本模式來支持靈活的任務自動分配和調(diào)度，但是可以采用SHELL/PYTHON腳本+SQL的方式來實現(xiàn)這一目的，其實借助猛犸調(diào)度在一定范圍內(nèi)也能達到同樣的效果。

3.5 多路輸出與物化(Read Once Output More)

這個部分我們主要談談HIVE（spark）的CTE寫法（WITH...AS...）以及From語法的應用。這兩個語法，在日常開發(fā)稍微復雜的任務時候，可以大大清晰整個復雜SQL的邏輯，同時，在多路讀寫中，通過物化的方式還能在一定程度上加速作業(yè)的運行。

• CTE(with.... as ...)使用

• 基本使用非常簡單，cte的語法主要是為了提高代碼的可讀性，雖然在整個性能的優(yōu)化上未必達到很好的效果，但是在一定程度上，能大大提高任務的邏輯清晰度。很多時候，我們在多個邏輯過程中，通過臨時表的方式進行任務的串行，使用with...as...能達到類似的效果。同時with...as...可以深層嵌套，因此是比較好的一種選擇方式。無論是線上任務還是視圖，都可以使用CTE的寫法——目前比較遺憾的是HIVE的CTE目前不支持遞歸。

代碼示例(可以使用多個with,抽出代碼片段)：

with a as (
    select * from test1
    where xxx = xxx
)
,
b as (
    select * from a
)
select * from b limit 100;

• 物化設置

由于with...as...等同于一個SQL片段，下文中會多次引用該片段的別名，相當于視圖的味道。所以，這里面使用是一個虛擬的概念，實際上只是邏輯生效，實際運行是則是翻譯成實際的MR邏輯去執(zhí)行，如果下游引用該SQL片段較多，這時候MR執(zhí)行會多次掃描原始數(shù)據(jù)，執(zhí)行多次相同的MR操作邏輯,此時，就可以在第一次執(zhí)行中來物化CTE寫法中定義的SQL片段,從而達到優(yōu)化的目的。在hive之前的版本中，該功能是默認關閉的，可以通過下面參數(shù)來開啟,在新的hive版本中，該功能是默認開啟,但是默認引用次數(shù)是3次。

社區(qū)版hive 如下所示，我們的ODPS 下，大家無需太多關注，這部分做技術擴展和了解即可。

• FROM使用（一讀多寫）

• FROM也是本人在實際研發(fā)中遇到多路輸出時采用比較多的一種手段之一。當有多個不同的分區(qū)，或者多個不同的目標輸出，或者有多個不同的子邏輯的過程中，可以將主邏輯全部開發(fā)完成，然后再進行多路輸出。多路輸出操作的使用限制如下：
• 單條 multi insert語句中最多可以寫255路輸出。超過255路，會上報語法錯誤。
• 單條 multi insert語句中，對于分區(qū)表，同一個目標分區(qū)不允許出現(xiàn)多次。
• 單條 multi insert語句中，對于非分區(qū)表，該表不能出現(xiàn)多次。

比如在流量業(yè)務場景時，需要寫動態(tài)分區(qū)，就可以使用from，一個代碼小例子：

from (
   select aa,bb,pt,sec_pt from test
)
insert OVERWRITE table du_temp.temp_01 partition (pt = 'xx'，sec_pt = 'test1' )
select aa,bb where sec_pt = 'test1'
insert OVERWRITE table du_temp.temp_01 partition (pt = 'xx'，sec_pt = 'test2' )
select aa,bb where sec_pt = 'test2'

4、思考&總結

在數(shù)據(jù)研發(fā)領域，數(shù)據(jù)的技術手段無論多么豐富，平臺發(fā)展何等完善，都不能說能解決業(yè)務的所有問題。一定是先有業(yè)務，才會有對應的問題。在面對大數(shù)據(jù)量，高時效性，高復雜計算的場景，我們需要結合業(yè)務的特性，模型的改造，鏈路的設計，甚至打破常規(guī)等方式來產(chǎn)出不同的方案。在另一個方面，數(shù)據(jù)研發(fā)的工作也遠遠不是單點問題的解決和兜底，相反需要各方的配合與共同的智慧。