探秘Apache Gluten(Incubating):提升Spark SQL效率的利器
Apache Gluten是一个创新项目,正在Apache孵化器中孵化,旨在通过将JVM上的SQL引擎执行转移到原生引擎来提升大数据处理的速度。如果你是追求极致性能的Spark SQL用户,那么Gluten就是你一直在寻找的那个"胶水",它能无缝集成Spark和高性能原生库,最大化数据处理效率。
一、项目简介
在大数据世界中,Apache Spark以其稳定性和可扩展性赢得了广泛的赞誉,尤其适合处理大规模数据集。然而,针对其性能优化的挑战日益凸显。尽管引入了如Whole Stage Code Generation等优化,单个操作器的性能提升已趋平缓。另一方面,像Clickhouse、Arrow和Velox这样的原生库,凭借其原生实现、列式存储和向量化处理,展示了超越JVM SQL引擎的强大性能,但它们仅支持单节点执行。
Apache Gluten由此应运而生,其核心目标是在不改变Spark SQL接口的情况下,利用Spark的分布式控制流,结合高性能原生库,通过Substrait计划转换和JNI接口实现计算密集型任务的下推,从而在保持Spark易用性的同时,大幅提升查询性能。
二、技术剖析
Gluten的设计原则是在尽可能保留Spark现有逻辑的基础上,把计算密集的部分交给原生代码处理。这一过程涉及以下关键步骤:
- 将Spark的物理执行计划转化为Substrait计划。
- 使用JNI调用传递Substrait计划到原生层。
- 在原生侧构建并执行原生运算符链。
- 利用Columnar Batch返回结果给Spark,使用Spark的Columnar API进行处理。
目前,Gluten支持Clickhouse和Velox作为后端,后者是由Meta开发的数据处理库,提供了高性能和可扩展的组件。未来,项目还计划支持更多性能优化工具。
三、应用场景
Gluten适用于任何期望提升Spark SQL处理速度的环境,无需更改现有的DataFrame API或SQL查询语法,只需要正确配置即可使用。例如,在数据仓库查询、实时分析、大规模ETL流程等场景中,Gluten都可以显著提高数据处理速度,减少等待时间。
四、项目亮点
- 无缝集成:Gluten与Spark完全兼容,只需简单的配置就能启用。
- 高性能:利用原生库的特性,如列式存储、向量化处理,大幅提升查询速度。
- 灵活扩展:易于切换不同的原生后端,并且支持更多的性能工具接入。
- 智能容错:具备回退机制,对不支持的操作,可以自动转回Spark原生执行。
- 监控优化:提供详细的度量指标,帮助识别性能瓶颈和错误。
五、如何开始
你可以选择使用预发布的jar包直接启动Spark Shell,或者从源码编译并自定义配置。具体操作指南,请参考项目文档。
六、加入社区
现在就加入Apache Gluten社区,一起探索大数据处理的新边界!无论是技术讨论、问题报告还是贡献代码,我们都非常欢迎你的参与。
让我们共同见证Gluten为大数据处理带来的革命性突破!
Hunyuan3D-Part
腾讯混元3D-Part00Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0277community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息011Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-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).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









