首页
/ Gluten项目v1.4.0-rc0版本技术解析:大数据查询加速引擎的全面升级

Gluten项目v1.4.0-rc0版本技术解析:大数据查询加速引擎的全面升级

2025-07-02 11:42:19作者:董斯意

Gluten作为Apache孵化器项目,是一个专注于提升Spark SQL查询性能的开源引擎。它通过将Spark的查询计划转换为原生执行代码,显著提高了大数据处理的效率。最新发布的v1.4.0-rc0版本带来了多项重要改进和功能增强,本文将深入解析这些技术亮点。

核心架构优化

本次版本在核心架构层面进行了多项重要改进。首先引入了全新的ConfigEntry配置系统,通过类型安全的方式管理所有配置项,取代了原有的字符串键值对配置方式,大大提高了代码的健壮性和可维护性。同时重构了内存管理机制,新增了全局堆外内存API,允许更精细地控制内存分配和回收,特别是在处理大规模数据集时表现更为稳定。

在查询优化器方面,Gluten v1.4.0-rc0增强了成本模型,采用RAS(Resource-Aware Scheduler)的成本评估算法来优化查询计划的生成。这一改进使得查询优化器能够更准确地评估不同执行计划的代价,从而选择最优的执行路径。

执行引擎增强

Velox后端在此版本中获得了显著的功能增强。新增了对CollectLimit算子的支持,优化了Range算子的实现,并改进了窗口函数的溢出处理机制。特别值得注意的是,引擎现在能够更好地处理复杂数据类型,包括在ColumnarPartialProject中对复杂类型的支持。

针对连接操作,新版本改进了BNLJ(Block Nested Loop Join)的全外连接实现,无需条件即可执行,扩展了连接操作的适用场景。同时,HashAggregate算子现在能够更智能地传播ignoreNullKeys属性,提升了包含空值的聚合查询性能。

存储格式支持

在存储格式支持方面,v1.4.0-rc0版本实现了多项重要改进。对于Parquet格式,新增了对加密文件的回退处理机制,当遇到加密的Parquet文件时能够优雅地回退到Spark原生处理路径。同时增强了元数据和行索引的支持,提高了查询效率。

对于Iceberg表格式,此版本引入了对equality delete文件和position delete文件的支持,为数据湖场景提供了更完善的解决方案。Delta Lake方面则增加了对Deletion Vectors读取的支持,优化了更新操作的性能。

函数支持扩展

函数支持方面,新版本增加了多个重要函数的实现:

  • 新增了date_format函数,支持灵活的时间格式化
  • 实现了from_json函数,增强了JSON数据处理能力
  • 支持map_filtermap_concat等复杂映射操作
  • 增加了array_append等数组操作函数
  • 实现了btrim等字符串处理函数

这些新增函数大大扩展了Gluten在复杂数据处理场景下的适用性。

性能优化

性能方面,此版本包含多项关键优化:

  • 改进了ColumnarBatch的选择操作,避免不必要的向量扁平化
  • 优化了内存分配策略,特别是在shuffle操作中
  • 增强了本地SSD缓存的配置选项
  • 改进了数组排序等操作的性能
  • 优化了布隆过滤器下推等谓词下推策略

这些优化使得Gluten在各类工作负载下都能提供更稳定、高效的性能表现。

稳定性与可靠性提升

新版本在稳定性方面也有显著改进:

  • 强化了类型转换的验证逻辑
  • 改进了错误处理和回退机制
  • 增强了内存溢出防护
  • 优化了分区值处理
  • 改进了虚拟列支持

此外,测试框架也得到了增强,新增了对Iceberg表的测试支持,提高了代码质量保证。

开发者体验改进

对于开发者而言,此版本提供了更完善的工具链:

  • 新增了ActionsDAG树形图转储工具
  • 改进了原生计划验证机制
  • 简化了JNI库加载流程
  • 增强了日志收集和分析能力
  • 提供了更清晰的配置文档

这些改进使得开发者能够更高效地参与Gluten项目的开发和维护工作。

总结

Gluten v1.4.0-rc0版本标志着该项目在功能完备性、性能表现和稳定性方面都达到了新的高度。通过核心架构优化、执行引擎增强、存储格式支持扩展等多方面的改进,Gluten进一步巩固了其作为Spark SQL加速解决方案的地位。对于寻求更高性能大数据处理能力的企业和开发者来说,这个版本值得重点关注和评估。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
941
555
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
405
387
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
509
44
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.32 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
194
279