首页
/ 探秘Apache Gluten(Incubating):提升Spark SQL效率的利器

探秘Apache Gluten(Incubating):提升Spark SQL效率的利器

2024-08-10 15:00:12作者:翟江哲Frasier

Gluten Logo

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:

  1. 将Spark的物理执行计划转化为Substrait计划。
  2. 使用JNI调用传递Substrait计划到原生层。
  3. 在原生侧构建并执行原生运算符链。
  4. 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

  1. 无缝集成:Gluten与Spark完全兼容,只需简单的配置就能启用。
  2. 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。
  3. 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。
  4. 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。
  5. 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!

登录后查看全文
热门项目推荐

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
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
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++
194
279
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
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
554
communitycommunity
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
345
11
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
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