- 日常检查ETLjob时发现一段sql采用hive on mr执行比hive on spark要快70%，与正常的认知正好相反，所以对该sql进行了详细分析。
该SQL是一个主表left join多个子表（join key是一样的），分别查看了采用Hive执行和Spark执行的日志，具体如下：
- Hive：只有一个Map Reduce过程，应该是在Map阶段同时读取了4张表的数据，然后在Reduce阶段同时做了多张表的join，只做了一次reduce side join。
- Spark：实际的执行过程是join->join->join 的链式过程
经查证，原因如下： - spark开启了adaptive模式，这个模式可以做自适应的优化，但是前提是需要拿到一些统计数据，开启了adaptive后，会一个个表的join去获取统计数据。如果关闭该模式后，是可以和hive一样在一个reduce中同时join多张表（多张表的join key是一样的）；set spark.sql.adaptive.enabled=false;
- spark在资源完全充足的情况下，瞬间获取资源的能力是不如hive的，可以通过参数调整，得到和hive类似的资源获取能力；set spark.dynamicAllocation.tasksPerExecutorSlot=1;
网友评论