JindoTable通过Native Engine,支持对Spark、Hive或Presto上ORC或Parquet格式文件进行加速。本文为您介绍如何开启native查询加速,以提升Spark、Hive和Presto的性能。

前提条件

已创建集群,且ORC或Parquet文件已存放至JindoFS或OSS,创建集群详情,请参见创建集群

使用限制

  • 不支持对Binary类型文件进行加速。
  • 不支持分区列的值存储在文件中的分区表。
  • 不支持EMR-5.X系列及后续版本的E-MapReduce集群。
  • 不支持代码spark.read.schema(userDefinedSchema)。
  • 支持Date类型区间为1400-01-01到9999-12-31。
  • 同一个表中查询列不支持区分大小写。例如,ID和id两个列在同一个表中无法使用查询加速。
  • Spark、Hive和Presto服务支持的引擎和存储格式如下所示。
    引擎 ORC Parquet
    Spark2 支持 支持
    Spark3 支持 支持
    Presto 支持 支持
    Hive2 不支持 支持
    Hive3 不支持 支持
  • Spark、Hive和Presto服务支持的引擎和存储文件系统如下所示。
    引擎 OSS JFS HDFS
    Spark2 支持 支持 支持
    Presto 支持 支持 支持
    Hive2 支持 支持 不支持
    Hive3 支持 支持 不支持

提升Spark性能

  1. 开启JindoTable ORC或Parquet加速。
    说明
    • 因为查询加速使用的是堆外内存,所以在Spark任务中建议添加配置--conf spark.executor.memoryOverhead=4g,提高Spark申请额外资源用来进行加速。
    • Spark读取ORC或Parquet时,需要使用DataFrame API或者Spark-SQL。
    • 全局设置
      1. 进入详情页面。
        1. 登录阿里云E-MapReduce控制台
        2. 在顶部菜单栏处,根据实际情况选择地域和资源组
        3. 单击上方的集群管理页签。
        4. 集群管理页面,单击相应集群所在行的详情
      2. 修改配置。
        1. 在左侧导航栏,选择集群服务 > Spark
        2. 在Spark服务页面,单击配置页签。
        3. 在搜索区域,搜索参数spark.sql.extensions,修改参数值为io.delta.sql.DeltaSparkSessionExtension,com.aliyun.emr.sql.JindoTableExtension
      3. 保存配置。
        1. 单击保存
        2. 确认修改对话框中,输入执行原因,单击确定
      4. 重启ThriftServer。
        1. 在右上角选择操作 > 重启ThriftServer
        2. 执行集群操作对话框中,输入执行原因,单击确定
        3. 确认对话框中,单击确定
    • Job级别设置
      使用spark-shell或者spark-sql时,可以添加Spark的启动参数。
      --conf spark.sql.extensions==io.delta.sql.DeltaSparkSessionExtension,com.aliyun.emr.sql.JindoTableExtension

      作业详情请参见Spark Shell作业配置Spark SQL作业配置

  2. 检查开启情况。
    1. 登录Spark History Server UI页面。
      登录详情请参见访问链接与端口
    2. 在Spark的SQL页面,查看执行任务。
      当出现JindoDataSourceV2Scan时,表示开启成功。否则,请排查步骤1中的操作。check_Jindo

提升Presto性能

注意 Presto查询并发较高,且查询加速使用堆外内存,因此使用查询加速时内存配置必须大于10 GB。
因为Presto已经内置JindoTable native加速的catalog: hive-acc,所以您可以直接使用catalog: hive-acc来启用查询加速。
示例如下。
presto --server emr-header-1:9090 --catalog hive-acc --schema default
说明 目前使用Presto查询加速功能时,暂不支持读取复杂的数据类型,例如Map、Struct或Array。

提升Hive性能

注意 如果您对作业稳定性要求较高时,建议不要开启native查询加速。
您可以通过以下两种方式提升Hive性能:
  • 控制台方式
    在控制台Hive服务的配置页面,搜索并修改自定义参数hive.jindotable.native.enabledtrue,保存配置后,重启服务使配置生效,此方式适用于Hive on MR和Hive on Tez。hive
  • 命令行方式
    您可以直接在命令行中设置hive.jindotable.native.enabledtrue来启用查询加速。因为EMR-3.35.0及后续版本已经内置JindoTable Parquet加速的插件,所以您可以直接设置该参数。
    set hive.jindotable.native.enabled=true;
说明 目前使用Hive查询加速功能时,暂不支持读取复杂的数据类型,例如Map、Struct或Array。