2天时间,聊今年最热的 Agent、上下文工程、AI 产品创新等话题。2025 年最后一场~ 了解详情
写点什么

如何弥合 Spark Datasets 和 DataFrames 之间的性能差距?

  • 2019-08-15
  • 本文字数:2167 字

    阅读完需:约 7 分钟

如何弥合 Spark Datasets 和 DataFrames 之间的性能差距?

ArchSummit深圳2019大会上,蔡東邦 (DB Tsai)讲师做了《如何弥合 Spark Datasets 和 DataFrames 之间的性能差距?》主题演讲,主要内容如下。


演讲简介


Bridging the gap between Spark Datasets and DataFrames


Apple leverages Apache Spark for processing large datasets to power key components of Apple’s production services. The majority of users rely on Spark SQL to benefit from state-of-the-art optimizations in Catalyst and Tungsten. As there are multiple APIs to interact with Spark SQL, users have to make a wise decision which one to pick. While DataFrames and SQL are widely used, they lack type safety so that the analysis errors will not be detected during the compile time such as invalid column names or types. Also, the ability to apply the same functional constructions as on RDDs is missing in DataFrames. Datasets expose a type-safe API and support for user-defined closures at the cost of performance.


译文参考:


Apple 利用 Apache Spark 处理大型数据集,为 Apple 生产服务的关键组件提供动力。 大多数用户依靠 Spark SQL 从 Catalyst 和 Tungsten 中最先进的优化中受益。由于有多个 API 与 Spark SQL 交互,因此用户必须明智地决定最终选择哪一个。虽然 DataFrame 和 SQL 被广泛使用,但它们缺乏类型安全性,因此在编译期间无法检测到分析错误,例如无效的列名称或类型。此外,在 RDDs 上应用相同功能结构的功能却不能在 DataFrames 中使用。Datasets 以牺牲性能为代价公开了类型安全的 API,并支持用户定义的闭包。


This talk will explain cases when Spark SQL cannot optimize typed Datasets as much as it can optimize DataFrames. We will also present an effort to use bytecode analysis to convert user-defined closures into native Catalyst expressions. This helps Spark to avoid the expensive conversion between the internal format and JVM objects as well as to leverage more Catalyst optimizations. A consequence, we can bridge the gap in performance between Datasets and DataFrames, so that users do not have to sacrifice the benefits of Datasets for performance reasons.


本演讲将重点介绍 Spark SQL 无法优化类型化 Datasets 的情况,因为它可以优化 DataFrame。我们还将努力使用字节码分析将用户定义的闭包转换为本机 Catalyst 表达式。这有助于 Spark 避免在内部格式和 JVM 对象之间的昂贵转换,以及利用更多的 Catalyst 优化。因此,我们可以弥合 Datasets 和 DataFrames 之间的性能差距,这样用户就不会因性能原因而牺牲 Datasets 的优势。


Outlines of the speech


  1. Apache Spark

  2. Dataframe vs Dataset

  3. Bytecode Analysis

  4. JVM GC


Key points


  • The audiences will learn how Apache Spark works internally; particularly on how catalyst optimizer optimizes the execution plans.

  • Then I will go through the current problems of Spark’s Dataset implementation which expose a type-safe API and support for user-defined closures at the cost of performance.

  • Finally, I’ll talk about how we do bytecode analysis to understand the JVM bytecode, and then convert them into SQL expressions for further optimization. In some of our Spark jobs, we see 40x performance gain resulting less required resource and faster deliver time.

  • 帮助听众了解 Apache Spark 内部的工作流程,尤其是 Catalyst 优化器如何优化执行计划。

  • 了解 Spark Dataset 当前在应用方面的问题,这些问题公开了类型安全的 API,并以性能为代价支持用户定义的闭包。

  • 最后,我将分享我们是如何实现字节码分析的案例,帮助理解 JVM 字节码,然后将它们转换为 SQL 表达式以进一步优化。在我们所做的一些 Spark 工作中,我们看到了 40 倍的性能提升,从而减少了所需的资源,交付时间也更快。


讲师介绍


蔡東邦 (DB Tsai)


Apple Staff Software Engineer & Apache Spark PMC


DB Tsai is an Apache Spark PMC / Committer and an open source and staff software engineer at Apple Siri. He implemented several algorithms including linear models with Elastici-Net (L1/L2) regularization using LBFGS/OWL-QN optimizers in Apache Spark. Prior to joining Apple, DB worked on Personalized Recommendation ML Algorithms at Netflix. DB was a Ph.D. candidate in Applied Physics at Stanford University. He holds a Master’s degree in Electrical Engineering from Stanford.


译文参考:


蔡東邦老师是 Apache Spark PMC / Committer,同时也是 Apple Siri 的主任工程师。他将多个算法应用到了 Apache Spark 当中,包括使用了 LBFGS / OWL-QN 优化器 的 Elastici-Net(L1 / L2)正则化的线性模型。在加入 Apple Siri 之前,蔡老师在 Netflix 从事个性化推荐机器学习算法的研究工作。目前是斯坦福大学应用物理专业的博士候选人,也获得了斯坦福大学电气工程硕士学位。












完整演讲 PPT 下载链接


https://archsummit.infoq.cn/2019/shenzhen/schedule


2019-08-15 00:005961

评论

发布
暂无评论
发现更多内容

佛山律协与iCourt围绕法律AI应用达成战略合作

科技汇

烟草行业专卖人员画像与队伍考评系统上线运行

中烟创新

大数据-44 Redis 慢查询日志详解与性能优化实战指南

武子康

Java redis 大数据 分布式

等保一体机适用场景与成本分析

等保测评

前沿论文分享 | 京东零售技术团队5篇论文入选SIGIR 2025

京东零售技术

Playwright | 元素定位四大法宝:CSS/文本/XPath/语义化定位实战

测试人

AI 英语学习数字人 App 的主要功能

北京木奇移动技术有限公司

软件外包公司 AI技术外包 AI数字人

MCP 极简开发 读书笔记2

wasa

黄仁勋在北京链博会的演讲核心:AI变革性的到来

PowerVerse

Web3 项目的外包开发验收

北京木奇移动技术有限公司

区块链开发 软件外包公司 web3开发

安全可控的AI底座:灯塔大模型应用开发平台全面实现国产信创兼容适配认证

中烟创新

AI 英语数字人App的主要功能

北京木奇移动技术有限公司

软件外包公司 AI技术应用 AI数字人

大模型如何算出最优价格?电商定价策略的变革实践

京东零售技术

系统上线最大的难点其实不是技术问题,而是人和管理!

积木链小链

数字化转型 管理系统 智能制造

Web3 项目开发的技术难点

北京木奇移动技术有限公司

区块链开发 软件外包公司 web3开发

等保合规基础:从定义到实施的关键要点

等保测评

Apache RocketMQ 荣获 2024 开源创新榜单“年度开源项目”

Apache RocketMQ

阿里云 开源 RocketMQ 云原生 消息队列

应对2025年律师团队持续增长难题,Alpha系统助力律所人效升级

科技汇

数据治理的长效机制

天翼云开发者社区

大数据 数据仓库

8 月 9 日,TiDB 社区活动在厦门!瑞幸咖啡、美柚、美图、飞连、福建四大机场、厦门三甲医院的 TiDB 实践分享 & 数据库选型趋势!到场的小伙伴可领瑞幸咖啡!评论区互动参与社区新款周边抽奖~

TiDB 社区干货传送门

社区活动

2个小时!我自己搭建了一套安全管理系统!

中烟创新

告别提示词工程,「上下文工程」才是 AI Agent 的核心竞争力

Baihai IDP

程序员 AI LLM AI Agent 上下文工程

MSRC安全事件响应流程构建指南

qife122

网络安全 安全事件响应

等保测评合规性审查:从流程到价值

等保测评

Grok 虚拟陪伴很火,但你还可以造一个属于自己的丨社区来稿

声网

当 Aily 遇上盈米且慢 MCP,你的 AI 智能助手也能秒变投资顾问

盈米AI开放平台

如何弥合 Spark Datasets 和 DataFrames 之间的性能差距?_ArchSummit_蔡東邦 (DB Tsai)_InfoQ精选文章