Spark 3.0 读取 json 文件比 Spark 2.4 慢得多

Question

我有大量的 json 文件，Spark 可以在 36 秒内读取，但 Spark 3.0 需要将近 33 分钟才能读取相同的文件。仔细分析后，看起来 Spark 3.0 选择的 DAG 与 Spark 2.0 不同。有谁知道发生了什么？ Spark 3.0 是否有任何配置问题。

Spark 2.4

scala> spark.time(spark.read.json("/data/20200528"))
Time taken: 19691 ms
res61: org.apache.spark.sql.DataFrame = [created: bigint, id: string ... 5 more fields]

scala> spark.time(res61.count())
Time taken: 7113 ms
res64: Long = 2605349

Spark 3.0

scala> spark.time(spark.read.json("/data/20200528"))
20/06/29 08:06:53 WARN package: Truncated the string representation of a plan since it was too large. This behavior can be adjusted by setting 'spark.sql.debug.maxToStringFields'.
Time taken: 849652 ms
res0: org.apache.spark.sql.DataFrame = [created: bigint, id: string ... 5 more fields]

scala> spark.time(res0.count())
Time taken: 8201 ms
res2: Long = 2605349

详情如下：

Answer 1

事实证明，Spark 3.0 的默认行为发生了变化 - 它会尝试推断时间戳，除非指定了架构并导致大量文本扫描。我尝试使用 inferTimestamp=false 加载数据，时间确实接近 Spark 2.4，但 Spark 2.4 仍然比 Spark 3 快 3+ 秒（可能在可接受的范围内，但问题是为什么？）。我不知道为什么会更改此行为，但应该以粗体字通知它。

Spark 2.4

spark.time(spark.read.option("inferTimestamp","false").json("/data/20200528/").count)
Time taken: 29706 ms
res0: Long = 2605349



spark.time(spark.read.option("inferTimestamp","false").option("prefersDecimal","false").json("/data/20200528/").count)
Time taken: 31431 ms
res0: Long = 2605349

Spark 3.0

spark.time(spark.read.option("inferTimestamp","false").json("/data/20200528/").count)
Time taken: 32826 ms
res0: Long = 2605349
 
spark.time(spark.read.option("inferTimestamp","false").option("prefersDecimal","false").json("/data/20200528/").count)
Time taken: 34011 ms
res0: Long = 2605349

注意：

• 确保永远不要将 prefersDecimal 设置为 true，即使在 inferTimestamp 是假的，这又需要大量的时间。
• Spark 3.0 + JDK 11 比 Spark 3.0 + JDK 8 慢了将近 6 秒。