跨源复杂数据的SQL查询优化

操作场景

本章节介绍如何打开或关闭跨源复杂数据的SQL查询优化功能。

操作步骤

• （可选）连接MPPDB数据源的准备

  如果连接的数据源为MPPDB，由于MPPDB Driver文件“gsjdbc4.jar”和Spark中的jar包“gsjdbc4-VXXXRXXXCXXSPCXXX.jar”包含了相同的类名，存在类名冲突的问题。因此在连接MPPDB数据库之前，需要执行以下步骤：

  1. 移除Spark中的“gsjdbc4-VXXXRXXXCXXSPCXXX.jar”，由于Spark运行不依赖该jar包，因此将该jar包移动到其他目录（例如，移动到“/tmp”目录，不建议直接删除）不会影响Spark正常运行。
     1. 登录Spark服务端主机，移除“${BIGDATA_HOME}/FusionInsight_Spark2x_8.1.0.1/install/FusionInsight-Spark2x-*/spark/jars”路径下的“gsjdbc4-VXXXRXXXCXXSPCXXX.jar”。
     2. 登录Spark客户端主机，移除“/opt/client/Spark2x/spark/jars”路径下的“gsjdbc4-VXXXRXXXCXXSPCXXX.jar”。
  2. 在MPPDB的安装包中获取MPPDB Driver文件“gsjdbc4.jar”，并将该文件分别上传到以下位置：
     

     “gsjdbc4.jar”在MPPDB安装包的目录“FusionInsight_MPPDB\software\components\package\FusionInsight-MPPDB-xxx\package\Gauss-MPPDB-ALL-PACKAGES\GaussDB-xxx-REDHAT-xxx-Jdbc\jdbc”中获取。

     • Spark服务端的“/${BIGDATA_HOME}/FusionInsight_Spark2x_8.1.0.1/install/FusionInsight-Spark2x-*/spark/jars”路径下。
     • Spark客户端的“/opt/client/Spark2x/spark/jars”路径下。
  3. 更新存储在HDFS中的“/user/spark2x/jars/8.1.0.1/spark-archive-2x.zip”压缩包。
     

     此处版本号8.1.0.1为示例，具体以实际环境的版本号为准。

     1. 使用客户端安装用户登录客户端所在节点。执行命令切换到客户端安装目录，例如“/opt/client”。

        cd /opt/client

     2. 执行以下命令配置环境变量。

        source bigdata_env

     3. 如果集群为安全模式，执行以下命令获得认证。

        kinit 组件业务用户

     4. 新建临时文件./tmp，并从HDFS获取“spark-archive-2x.zip”并解压到tmp目录，命令如下：

        mkdir tmp

        hdfs dfs -get /user/spark2x/jars/8.1.0.1/spark-archive-2x.zip ./

        unzip spark-archive-2x.zip -d ./tmp

     5. 切换到tmp目录，删除“gsjdbc4-VXXXRXXXCXXSPCXXX.jar”文件，并将MPPDB Driver文件“gsjdbc4.jar”上传到tmp目录中，然后执行以下命令重新打包。

        zip -r spark-archive-2x.zip *.jar

     6. 删除HDFS上的“spark-archive-2x.zip”，将步骤3.e中新生成的压缩包“spark-archive-2x.zip”更新至HDFS的“/user/spark2x/jars/8.1.0.1/”路径下。

        hdfs dfs -rm /user/spark2x/jars/8.1.0.1/spark-archive-2x.zip

        hdfs dfs -put ./spark-archive-2x.zip /user/spark2x/jars/8.1.0.1

  4. 重启Spark服务，等重启成功后，重新启动Spark客户端。

• 打开优化开关

  对所有支持查询下推的模块，可以通过在spark-beeline客户端中执行SET命令打开跨源查询优化功能，默认均为关闭状态。

  可以从全局、数据源、表这三个维度进行下推开关控制。打开方法如下：

  • 全局（对所有数据源生效）：

    SET spark.sql.datasource.jdbc = project,aggregate,orderby-limit

  • 数据源：

    SET spark.sql.datasource.${url} = project,aggregate,orderby-limit

  • 表：

    SET spark.sql.datasource.${url}.${table} = project,aggregate,orderby-limit

  执行SET命令设置上述参数时，允许一次设置多个下推模块，中间以逗号分隔。各个下推模块对应的参数值如下所示：

  表1 各模块对应的参数值

  模块名称	SET命令的参数值
  project	project
  aggregate	aggregate
  order by，limit over project or aggregate	orderby-limit

  示例：创建一个MySQL的外表的语句为：

  create table if not exists pdmysql using org.apache.spark.sql.jdbc options(driver "com.mysql.jdbc.Driver", url "jdbc:mysql://ip2:3306/test", user "hive", password "xxx", dbtable "mysqldata");

  则其中：

  • ${url} = jdbc:mysql://ip2:3306/test
  • ${table} = mysqldata
  

  • “=”后即设置可以下推打开的算子，以“,”隔开。
  • 优先级：table开关>数据源开关>全局开关。即若设置了table开关，则数据源开关全局开关对该表失效；若配置了数据源开关，则全局开关对该数据源失效。
  • url中不能包含“=”，若包含，set时直接删掉“=”。
  • 可多次执行set，key不同不会相互覆盖。
• 新增支持查询下推的函数

  除了支持对abs()、month()、length()等数学、时间、字符串函数进行查询下推外，用户还可以通过SET命令新增数据源支持查询下推的函数。在spark-beeline客户端中执行如下命令：

  SET spark.sql.datasource.${datasource}.functions = fun1,fun2

• 取消开关设置及取消新增的下推函数

  当前只能通过在spark-beeline客户端中执行RESET命令取消所有SET的内容。由于执行RESET后所有SET的参数值都将被清除，请谨慎使用。

  控制开关的设置仅在客户端当前的会话中生效，当客户端关闭后，SET内容就失效了。

  或者修改客户端配置文件spark-defaults.conf中的spark.sql.locale.support参数为true。

注意事项

数据源只支持MySQL和MPPDB，Hive，oracle， postgresql。