首页
/ Blaze项目v5.0.0版本发布:Spark SQL加速引擎的重大升级

Blaze项目v5.0.0版本发布:Spark SQL加速引擎的重大升级

2025-07-01 11:00:40作者:柯茵沙

项目简介

Blaze是一个基于Apache Spark的SQL查询加速引擎,通过原生代码执行和优化技术显著提升Spark SQL的查询性能。该项目由Kwai团队开源,主要针对大数据分析场景中的性能瓶颈进行优化,特别适合处理复杂的分析型工作负载。

核心功能升级

1. 增强的UDAF支持

v5.0.0版本全面改进了对用户定义聚合函数(UDAF)的支持,新增了UDAF回退机制。当遇到未实现的UDAF时,系统能够自动回退到Spark原生实现,确保查询的连续性和稳定性。这一改进使得Blaze能够兼容更多现有的Spark应用,降低了迁移成本。

2. 原生分区器支持

新版本引入了两种原生分区器的实现:

  • 轮询分区器(Round-Robin Partitioner):均匀分布数据到各分区
  • 范围分区器(Range Partitioner):基于键值范围的数据分布

这些原生实现显著提升了数据重分布操作的效率,特别是在需要数据倾斜处理的场景中表现尤为突出。

3. 窗口函数优化

v5.0.0实现了对Spark 3.5中引入的WindowGroupLimitExec的原生支持。这一特性优化了窗口函数中带有限制条件的查询性能,典型应用场景包括获取每个分组的前N条记录等操作。

4. 连接操作智能回退

新版本中的SortMergeJoinExec增加了智能回退机制。当哈希连接因构建侧数据过大可能导致内存溢出时,系统会自动回退到排序合并连接,既保证了查询成功率,又避免了不必要的性能下降。

数据源与Shuffle服务增强

1. 数据源扩展

  • 完整支持Apache Celeborn shuffle服务
  • 初步支持Apache Uniffle shuffle服务
  • 新增对Apache Paimon数据源的原生支持,优化了湖仓一体场景下的查询性能

2. 内存管理优化

新版本重点优化了聚合执行(AggExec)和排序合并连接(SortMergeJoinExec)的内存管理机制,通过更精细的内存控制和分配策略,显著减少了内存溢出(OOM)的发生概率。

兼容性与稳定性提升

1. 类型转换一致性

修复了字符串到日期类型转换不一致的问题,确保与Spark保持相同的行为。同时优化了十进制类型在不同精度和标度下的转换逻辑,提高了计算结果的准确性。

2. 函数行为修正

  • 修正了sha2系列函数的实现,确保与Spark计算结果一致
  • 修复了当Bloom过滤器由Spark生成时可能出现的不一致问题
  • 修正了动态分区写入时的排序顺序问题

3. 度量统计改进

增强了执行计划的度量统计能力,包括:

  • ORC扫描的字节度量
  • 窗口函数的统计信息
  • 排序操作的统计信息
  • 限制操作的统计信息

这些改进为查询调优提供了更全面的性能指标。

性能优化亮点

  1. 聚合执行优化:重构了聚合键的构建方式,采用更高效的OwnedKey结构,减少内存占用和计算开销。

  2. 排序合并连接改进:优化了内存使用模式,避免在处理大数据量时出现OOM,同时提升了连接效率。

  3. Union操作重构:支持自动类型转换,解决了异构数据源合并时的类型兼容问题。

  4. Shuffle读写优化:规范了shuffle写时间统计,增加了shuffle读记录数和总时间度量,为性能分析提供更准确的数据。

开发者体验提升

  1. 配置灵活性:新增spark.blaze.enable.scan.parquet/orc配置项,允许用户按需启用或禁用特定数据源的原生扫描实现。

  2. 调试支持:增加了内存剖析(pprof dump)功能,便于开发者分析内存使用情况和定位性能瓶颈。

  3. 错误处理:改进了错误消息和日志,使问题定位更加直观高效。

总结

Blaze v5.0.0是一个功能全面、稳定性显著提升的版本。通过引入UDAF回退、原生分区器、窗口函数优化等关键特性,大幅扩展了适用场景。同时,内存管理的改进和各类bug修复使得系统更加健壮可靠。对于正在使用Spark SQL处理大规模数据分析的用户,升级到v5.0.0将获得更优的性能体验和更完善的功能支持。

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
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K
kernelkernel
deepin linux kernel
C
22
6
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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
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
929
553
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
422
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
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)。
Jupyter Notebook
75
65
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
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8