写点什么

把嵌套列表作为 Apache Spark SQL 的首选

  • 2019-08-15
  • 本文字数:1569 字

    阅读完需:约 5 分钟

把嵌套列表作为 Apache Spark SQL 的首选

ArchSummit深圳2019大会上,蔡東邦 (DB Tsai)讲师做了《把嵌套列表作为 Apache Spark SQL 的首选》主题演讲,主要内容如下。


演讲简介


Making Nested Columns as First Citizen in Apache Spark SQL


Apple Siri is the world’s largest virtual assistant service powering every iPhone, iPad, Mac, Apple TV, Apple Watch, and HomePod. We use large amounts of data to provide our users the best possible personalized experience. Our raw event data is cleaned and pre-joined into an unified data for our data consumers to use. To keep the rich hierarchical structure of the data, our data schemas are very deep nested structures. In this talk, we will discuss how Spark handles nested structures in Spark 2.4, and we’ll show the fundamental design issues in reading nested fields which is not being well considered when Spark SQL was designed. This results in Spark SQL reading unnecessary data in many operations. Given that Siri’s data is super nested and humongous, this soon becomes a bottleneck in our pipelines.


Then we will talk about the various approaches we have taken to tackle this problem. By making nested columns as first citizen in Spark SQL, we can achieve dramatic performance gain. In some of our production queries, the speed-up can be 20x in wall clock time and 8x less data being read. All of our work will be open source, and some has already been merged into upstream.


参考译文:


Apple Siri 是世界上最大的虚拟助理服务,为每部 iPhone,iPad,Mac,Apple TV,Apple Watch 和 HomePod 提供服务支持。我们使用大量数据来为用户提供最佳的个性化体验。所有的原始事件数据被清理并预先加入到统一数据中,供我们的数据使用者使用。为了保持数据的丰富层次结构,我们的数据模式采用了非常深的嵌套结构。


在本次演讲中,我将讨论 Spark 如何处理 Spark 2.4 中的嵌套结构,还会展示读取嵌套字段时的基本设计问题,这些问题在设计 Spark SQL 时并未得到充分考虑。这就导致了 Spark SQL 在许多操作中读取不必要的数据。鉴于 Siri 超级嵌套的数据非常庞大,它很快就成了瓶颈所在。


之后,我会介绍为解决这个问题所采取的各种方法。将嵌套列作为 Spark SQL 中的第一个公民,在性能上获得显着的提升。在我们的一些生产查询中,加速 20 倍,读取的数据减少 8 倍。我们所有的工作都将开源,有些已经合并到了核心区域。


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 00:009402

评论

发布
暂无评论
发现更多内容

分布式总结

周冬辉

nosql zookeeper 分布式 CAP原理

官方剧透:1.11 发版前我们偷看了 Flink 中文社区发起人的聊天记录

Apache Flink

flink

week06作业

Safufu

Doris服务节点临时失效处理过程时序图

任小龙

极客大学架构师训练营

架构师训练营第六周作业

Bruce Xiong

给技术同学的建议:人人都该懂的埋点知识

易观大数据

“区块链+政务” 将如何前行,接下政务信息化改革接力棒还欠火候

CECBC

字节跳动基于Flink的MQ-Hive实时数据集成

Apache Flink

flink

第六周学习总结

CP

架构师培训第六周习题

小蚂蚁

极客大学架构师训练营-cap原理

Geek_zhangjian

架构师训练营第六章总结

吴吴

架构师训练营——第6周作业

jiangnanage

第六章学习总结

李白

架构师训练营第六章作业

吴吴

信创舆情一线--英国禁用华为5G设备

统小信uos

5G

CAP原理之个人见解

潜默闻雨

未来已至,持续学习让我们更好的生存

董一凡

学习 生活

架构师课程第六周总结

dongge

java 后端博客系统文章系统——No6

猿灯塔

架构师训练营——第6周学习总结

jiangnanage

用AI的线团,解开金融行业的米拉诺斯迷宫

脑极体

week6 学习总结

任小龙

极客大学架构师训练营

联想ThinkSystem服务器,企业智能化考验下的极限应考

脑极体

极客大学架构师训练营0期第六周作业2

Nan Jiang

高并发下数据库方案演进

superman

分库分表 极客大学架构师训练营

架构师第六周培训学习总结

小蚂蚁

架构师训练营 第六周 作业

极客

架构是训练营

第六周总结

晨光

第六周·命题作业·CAP原理

刘璐

Android | 《看完不忘系列》之Glide

哈利迪

android

把嵌套列表作为 Apache Spark SQL 的首选_ArchSummit_蔡東邦 (DB Tsai)_InfoQ精选文章