YTsaurus项目中SPYT引擎的冗余排序问题分析与优化
背景介绍
在YTsaurus项目的SPYT(Spark on YTsaurus)引擎使用过程中,开发人员发现了一个关于查询优化的问题。当在DataFrame的join操作后添加where条件时,查询执行计划会不必要地引入排序操作,导致性能下降。这个问题与之前报告过的类似问题有所不同,值得深入分析。
问题现象
开发人员在使用SPYT引擎时,构建了一个包含join和where条件的查询。基础表已经按照[market, deal_id, unix_timestamp]
进行了排序,理论上join操作可以直接利用现有的排序属性。然而,当添加特定的where条件后,查询计划却意外地增加了排序阶段。
具体来说,当执行以下类型的查询时:
deals.join(books, on=[*STORAGE_INFO_KEY])
.where(F.floor((deals.unix_timestamp + 1) / 10) == F.floor(books.unix_timestamp / 10))
即使输入表已经按照join键排序,SPYT仍然会在join前插入排序操作,这显然是冗余的,会影响查询性能。
技术分析
问题根源
经过深入分析,发现问题出在Spark查询优化器的处理逻辑上。当join操作后跟有filter条件时,Spark优化器可能会将filter条件"下推"到join条件中。这种优化在某些情况下是有益的,但在YTsaurus的上下文中却导致了不必要的排序。
具体来说,优化器会将原始join条件[market, deal_id]
扩展为包含filter表达式的新join条件,如[market, deal_id, unix_timestamp/10]
。由于表数据没有按照这个新的复合键排序,优化器就决定插入排序操作。
解决方案
YTsaurus团队已经修复了这个问题,修复方案将在下一个版本中发布。修复的核心思路是:
- 保持原始的join条件不变,避免引入新的排序键
- 将复杂的filter条件保留在join后的阶段处理
- 在某些情况下,可以重写filter条件表达式,使其不会被优化器错误地"下推"
例如,可以将原来的filter条件:
F.floor((deals.unix_timestamp + 1) / 10) == F.floor(books.unix_timestamp / 10)
改写为等效但不会被优化器错误处理的表达式:
F.floor((deals.unix_timestamp + 1) / 10) - F.floor(books.unix_timestamp / 10) == 0
这种改写可以防止优化器将条件错误地合并到join条件中,从而避免不必要的排序操作。
最佳实践建议
基于这个问题的分析,我们建议YTsaurus用户:
- 在join操作后添加filter条件时,注意观察查询执行计划
- 如果发现不必要的排序操作,可以尝试重写filter条件表达式
- 对于数值比较,使用减法等于零的形式可能比直接比较更有效
- 定期更新SPYT版本以获取最新的优化修复
总结
YTsaurus团队持续优化SPYT引擎的性能表现,这次修复进一步提升了join操作的效率。理解Spark优化器的工作原理有助于开发人员编写更高效的查询,避免潜在的性能陷阱。通过合理设计查询表达式和利用系统提供的优化手段,可以充分发挥YTsaurus分布式计算平台的优势。
PaddleOCR-VL
PaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0134AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









