使用split_size優化的ODPS SQL的場景

使用split_size優化的ODPS SQL的場景 首先有兩個大背景需要說明如下： 說明1：split_size，設定一個map的最大資料輸入量，單位M，預設256M。使用者可以通過控制這個變數，從而達到對map端輸入的控制。設定語句：set odps.sql.mapper.split.size=256。一般在調整這個設定時，往往是發現一個map instance處理的資料行數太多。 說明2：小檔案越多，需要instance資源也越多，MaxCompute對單個Instance可以處理的小檔案數限制為120個，如此造成浪費資源，影響整體的執行效能（檔案的大小小於塊Block 64M的檔案）。

場景一：單記錄資料儲存太少

原始Logview Detail： 可以發現Job只調起一個Map Instance，供處理了156M的資料，但這些資料共有5千多萬的記錄（單記錄平均3個byte），花費了25分鐘。 此外，從TimeLine看可以發現，整個Job耗費43分鐘，map佔用了超過60%的時間。故可對map進行優化。 優化手段：調小split_size為16M 優化之後的logview： 優化後，可以發現，Job調起了7個Map Instance，耗時4分鐘；某一個Map處理了27M的資料，6百萬記錄。（這裡可以看出set split_size只是向Job提出申請，單不會嚴格生效，Job還是會根據現有的資源情況等來排程Instance）因為Map的變多，Join和Reduce的instance也有增加。整個Job的執行時間也下降到7分鐘。

場景二：用MapJoin實現笛卡爾積

原始logview： 可以發現，Job調起了4個Map，花費了3個小時沒有跑完；檢視詳細Log，某一個Map因為笛卡爾的緣故，生成的資料量暴漲。 綜合考慮，因為該語句使用Mapjoin生成笛卡爾積，再篩選符合條件的記錄，兩件事情都由map一次性完成，故對map進行優化。 策略調低split_size 優化後的logview： ![] 優化後，可以看到，Job排程了38個map，單一map的生成資料量下降了，整體map階段耗時也下降到37分鐘。 回頭追朔這個問題的根源，主要是因為使用mapjoin笛卡爾積的方式來實現udf條件關聯的join，導致資料量暴漲。故使用這種方式來優化，看起來並不能從根本解決問題，故我們需要考慮更好的方式來實現類似邏輯。