集算器实现外部数据并行计算

  文本并行

SPL可将文本文件按体积大致分为N段,只读取其中一段。比如cardInfo.txt存储着一千万条人口信息,将其分为十份,取第二份,代码可以写作:

成都地区优秀IDC服务器托管提供商(成都创新互联公司).为客户提供专业的服务器托管,四川各地服务器托管,服务器托管、多线服务器托管.托管咨询专线:028-86922220


AB
1=file("d:\\temp\\cardInfo千万.txt")
2=A1.import@t(;2:10)/直接读入内存
3=A1.cursor@t(;2:10).fetch@x()/游标方式读取

按体积大致分段,而不是按行数精确分段,目的是提高分段性能。比如在IDE中观察A2或A3的前几个字段,可以看到行数并非精确的100万(与具体数据有关):

indexcardNonamegenderprovincemobile
1308200310180525Alison ClintonfemaleIdaho 1024627490
2709198311300191Abby WoodfemaleKansas 19668466
31005199807060610George BushmaleCalifornia 1019879226
1000005405199907050256Mark RowswellmaleIdaho 1168620176

分段读取可应用于多线程计算,从而提高读取性能。比如用2个线程分别读取cardInfo.txt,各线程计算本段行数,最后合并为总行数,可用如下代码:

5fork to(2)=A1.cursor@t(;A5:2).total(count(1))/2线程分段
6=A5.sum()
/合并结果

语句fork语句适合算法较复杂的情况,当算法比较简单时,可用cursor@m直接分段读取。比如前面的代码可以改写如下:

7=A1.cursor@tm(;2).total(count(1))/2线程分段

上述代码指定了线程数,如果省略线程数,则用配置文件中的“parallet limit”当做默认线程数。假设parallet limit=2,则上述代码可以改写成:

8=A1.cursor@tm().total(count(1))/默认线程数分段

 

为了验证分段读取前后的性能差异,下面设计一个算法,分别用单线程和2线程计算cardInfo.txt的总行数,可以看到性能显著提升:

11=now()
12=A1.cursor@t().total(count(1))
13=interval@ms(A11,now())/未分段,20882ms
14

15=now()
16=A1.cursor@tm(;2).total(count(1))
17=interval@ms(A15,now())/2线程分段,12217ms

 

  JDBC 并行

通过JDBC取数时,有时会遇到数据库负载虽然不重,但取数性能仍然较差的情况,这种情况下可以用并行取数提高性能。

比如Oracle数据库有一张通话记录表callrecord,记录数100万条,索引字段是callTime,且数据基本按该字段平均分布。采用非并行取数时,可以发现性能不够理想,代码如下:


AB
1=now()/记录时间,用于测试性能
2=connect("orcl")
3=A2.query@x("select * from   callrecord")
4=interval@ms(A1,now())/非并行取数,17654ms

改为2线程并行取数后,可以看到性能提升明显,代码如下:

6=now()
7=connect("orcl").query@x("select   min(callTime),max(callTime) from callrecordA")
8=2.(range(A7.#1,elapse@s(A7.#2,1),~:2))/时间区间参数列表
9fork A8=connect("orcl")
10
=B9.query@x("select * from   callrecordA where callTime>=? and callTime
11=A9.conj()
12=interval@ms(A6,now())/并行取数,10045ms

既然要并行取数,就要把源数据分成多个区间,使每区间的数据量大致相等。在这个例子中,索引字段是时间类型callTime,所以先用A7求出callTime的数据范围,再用A8将该范围平均分成2个时间区间。之后在A9进行并行计算,每个线程以各自的时间区间为参数执行SQL,取数结果将大致相等。最后合并多线程的取数结果,作为最终结果。

函数range非常适合对数据分段。该函数可将某范围平均分为N个区间,获得第i个区间,且可根据范围的数据类型自动调整区间的数据类型。本例的范围类型是datetime,则函数range将范围按秒均分,返回类型也是datetime。如果范围类型是date,则函数range按天均分;如果范围类型是整数,则函数range按整数均分。

上面例子中,分段字段是索引,如果没有建立索引,则查询性能会出现下降。在这种情况下,并行取数仍然可以带来明显的性能提升,所以可以用相同的方法。

上面例子中,源数据基本按callTime平均分布,因此容易使各区间的数据量大致相等,如果源数据分布很不平均,可以考虑按行号分段。每种数据库都有生成行号的方法,比如oralce可用rownum。

 

除了单表单SQL并行取数,SPL也支持多表多SQL并行取数。比如某报表格式较复杂,需要SPL执行多个SQL,并按一定的格式拼出结果集。当采用非并行取数时,可以发现性能不够理想,代码如下:


AB
1=now()=connect("orcl")
2select count(1)  from    callrecordA where to_char(calltime,'yyyy')='2015'=B1.query(A2)
3select count(1)  from    callrecordA where to_char(calltime,'yyyyMM')='201501'=B1.query(A3)
4select count(1)  from    callrecordA where to_char(calltime,'yyyyMM')='201502'=B1.query(A4)
5select count(1)  from    callrecordA where to_char(calltime,'yyyyMM')='201503'=B1.query(A5)
6select count(1)  from    callrecordA where to_char(calltime,'yyyy')='2016'=B1.query(A6)
7select count(1)  from    callrecordA where to_char(calltime,'yyyyMM')='201601'=B1.query(A7)
8select count(1)  from    callrecordA where to_char(calltime,'yyyyMM')='201602'=B1.query(A8)
9select count(1)  from    callrecordA where to_char(calltime,'yyyyMM')='201603'=B1.query(A9)
10
=B1.close()
11=[B2:B9].new(~.#1:data)
12=interval@ms(A1,now())/非并行取数,2195毫秒

改为4线程并行取数后,可以看到性能提升明显,代码如下:

14=now()
15fork [A2:A9]=connect("orcl")
16
=B15.query@x(A15)
17=A15.new(~.#1:data)
18=interval@ms(A14,now())/4并行取数,1320毫秒

需要注意的是,并行取数时任务数可大于并行数。比如上面代码共8个任务,但同时执行的任务只有4个,其他待执行的任务排在队列中,如果某个小任务先执行完成,SPL会从队列中取下一个任务并执行它。可以看到,当任务数较多时,即使各任务负载相差较大,也能充分发挥硬件性能。

 

  混合并行

当数据量太大时,除了分库计算,还可以进行混合数据源并行计算,后者性能更高。具体做法是:把数据分为两部分(或多部分),一部分存储在数据库中,通常是当前实时数据,一部分存储在组文件,通常是历史数据,再对两种数据源进行并行计算,从而获得更高性能。

比如历史订单存储在orders.ctx中,当前订单存储在数据库orcl中,请按年、月分组,对各组数据的amount字段求和。SPL代码如下:


AB
1forkselect extract(year from   orderTime)y,extract(month from orderTime)m,sum(amount) amount from orders   group by  extract(year from   orderTime),extract(month from orderTime)
2
=connect("orcl")
3
=B2.query@x(B1)
4fork=file("orders.ctx").create()
5
=B4.groups(year(ORDERTIME):Y,month(ORDERTIME):M;sum(AMOUNT):AMOUNT)
6=[A1,A4].conj()
7=A6.groups(Y,M;sum(AMOUNT):AMOUNT)

注意fork……fork……的用法。如果fork语句块下接非fork语句块,则两者顺序执行,如果fork语句块下接fork语句块,则两者并行执行。


文章标题:集算器实现外部数据并行计算
标题URL:http://myzitong.com/article/gjisje.html