spark-sql 与 spark-shell REPL 中的 Spark SQL 性能差异答案

【问题标题】：Spark SQL performance difference in spark-sql vs spark-shell REPLspark-sql 与 spark-shell REPL 中的 Spark SQL 性能差异
【发布时间】：2016-02-11 14:43:38
【问题描述】：

Spark 新手问题：我在 spark-sql 和 spark-shell 中进行完全相同的 Spark SQL 查询。 spark-shell 版本大约需要 10 秒，而spark-sql 版本大约需要 20 秒。

spark-sql REPL 直接获取查询：

spark-sql> SELECT .... FROM .... LIMIT 20

spark-shell REPL 命令如下：

scala> val df = sqlContext.sql("SELECT ... FROM ... LIMIT 20 ") 
scala> df.show()

在这两种情况下，它是完全相同的查询。此外，由于显式LIMIT 20，查询仅返回几行。

从不同 CLI 执行相同查询的方式有何不同？

如果有帮助，我正在 Hortonworks 沙盒 VM (Linux CentOS) 上运行。

【问题讨论】：

对于 spark-shell 版本，df.show() 调用是 10 秒还是 sqlContext.sql 调用和 df.show 调用都是 10 秒？ DataFrame 初始化不是免费的（取决于数据源），因此即使在调用诸如收集/显示之类的操作之前，您也可以花费大量时间进行初始化。 spark-sql 调用可能会像 spark-shell 调用一样执行这两个步骤，因此将苹果与苹果进行比较很重要。
DataFrame 的初始化几乎是瞬间完成的——时间都在df.show。
spark 可能正在推迟初始化。（在 show 执行查询时访问之前不会加载表）

标签： apache-spark

【解决方案1】：

我认为更多的是两个部分，

首先，它可能与订单有关。如果您首先运行 spark-sql，则 spark 将能够从头开始构建解释计划。但是，如果您再次运行相同的查询。它可能比第一个从 shell 或 sql 中花费的时间少，因为解释计划很容易被检索到
其次，可能与spark-sql转换为资源排序有关。它发生了多次。 Spark-shell 比 spark-sql 更快地获取资源并启动进程。您可以从 UI 或 top 进行检查，您会发现 spark-shell 的实际启动速度比 spark-sql 快。

【讨论】：