性能优化技巧:遍历复用提速多次分组
我们知道,大数据运算性能的瓶颈常常是在外存(也就是硬盘)IO上,因为外存访问性能要比内存低一两个数量级。因此,做性能优化时,减少硬盘的访问量有时要比减少CPU计算量更为重要。同一个任务,如果能使用硬盘访问量更少的算法,即使CPU计算量不变甚至略多一点,也会获得更好的性能。分组汇总需要对数据集进行遍历。同一个数据集可能会按不同维度进行分组,这样原则上就要遍历多次,大数据时就会涉及多遍硬盘访问。但是,如果我们能在一次遍历过程中计算出多个维度的分组结果,那就会减少很多硬盘访问量。可惜,SQL无法写出这样的运算(在遍历中返回多个分组结果),只能遍历多次,或者寄希望于数据库引擎是否能优化。而SPL则支持这种遍历复用的语法,可以一次遍历计算出多个分组结果,从而提高性能。下面我们做一下测试,以Oracle为例看数据库是否会对多次遍历的计算进行优化,以及在SPL中采用遍历复用算法对性能的影响。一、 数据准备和环境SPL脚本生成数据文件,数据共两列,第一列id是小于20亿的随机整数,第二列amount是不大于1千万的随机实数。数据记录为80亿行,生成的原始文本文件大小为169G。利用数据库提供的数据导入工具将此文件数据导入到Oracle的数据表topn中,同时也用此文件数据生成SPL组表文件topn.ctx。在一台Intel服务器上完成测试,2个Intel3014 CPU,主频1.7G,共12核,内存64G。数据库表数据及SPL组表文件均存储在同一块SSD硬盘上。这里刻意把数据量造得比内存大,以保证操作系统不可能把这些数据都缓存进内存,实际运算时一定会读取硬盘。二、 Oracle测试测试分成三种情况:单分组单倍计算量、单分组双倍计算量、双分组双倍计算量。1. 单分组单倍计算量select /*+ parallel(12) */ mod(id,100) Aid,max(amount) Amax from topn group by mod(id,100)2. 单分组双倍计算量select /*+ parallel(12) */ mod(id,100)+floor(id/20000000) Aid, max(amount) Amax, min(amount) Amin from topn group by mod(id,100)+floor(id/20000000);计算式多了一倍,相当于计算量大了一倍。3. 双分组双倍计算量select /*+ parallel(12) */ * from (select mod(id,100) Aid,max(amount) Amax from topn group by mod(id,100) ) Ajoin( select floor(id/20000000) Bid,min(amount) Bmin from topn group by floor(id/20000000) ) Bon A.Aid=B.Bid;这里的计算量大体与2相同,但有两个分组,我们将观察数据库是否会进行两次遍历。最后的JOIN运算只涉及100行数据,时间可以忽略不计。三、 SPL测试我们把Oracle做的测试用SPL再做一遍。1. 单分组单倍计算量编写SPL脚本执行测试:
A1=now()2=123=file("/home/topn/topn.ctx").create().cursor@m(id,amount;;A2)4=A3.groups@u(id%100:Aid;max(amount):Amax)5=interval@s(A1,now())2. 单分组双倍计算量编写SPL脚本执行测试:
A1=now()2=123=file("/home/topn/topn.ctx").create().cursor@m(id,amount;;A2)4=A3.groups@u(id%100+id\20000000:Aid;max(amount):Amax,min(amount):Amin)5=interval@s(A1,now())3. 双分组双倍计算量编写SPL脚本执行测试:
AB1=now()2=123=file("/home/topn/topn.ctx").create().cursor@m(id,amount;;A2)4cursor A3=A4.groups@u(id%100:Aid;max(amount):Amax)5cursor=A5.groups@u(id\20000000:Bid;max(amount):Bmax)6=A4.join@i(Aid,A5:Bid,Bid,Bmax)7=interval@s(A1,now())这里采用了SPL特有的遍历复用语法,在A3定义了游标,A4/B4和A5/B5中定义了两套针对这个游标的计算,表示会在一次游标遍历过程同时计算这两个结果。四、 分析与结论三种情况的测试用时如下表:测试结果(时间单位:秒)单分组单倍计算量单分组双倍计算量双分组双倍计算量Oracle458692878SPL336350376从Oracle的测试结果上看,双分组双倍计算量比单分组双倍计算量慢了近200秒,这不是一个可以忽略的时间了,因为两者的计算量几乎相同,这多出来的时间估计就是多做一次遍历的时间了。这说明数据库不会自动做遍历复用的优化,在双分组时会将数据表遍历两次,结果多做一次分组几乎会多出一倍的时间。而SPL采用了遍历复用的机制,三个测试的计算时间相差很小,多做一次分组并不会多一次遍历,只是多了一些复用控制的逻辑,不会变慢多少。说明一下,准备数据时把Oracle的amount字段类型设置成decimal了,所以计算速度比较慢;而SPL组表中用的是double类型,所以要快得多。但这个测试不是对比Oracle和SPL的计算性能,这些不同并不影响上面的结论。