SPARK Expand问题的解决(由count distinct、group sets、cube、rollup引起的)

背景

本文基于spark 3.1.2
我们知道spark对于count(distinct)/group sets 以及cube、rollup的处理都是采用转换为Expand的方法处理，
这样做的优点就是在数据量小的情况下，能有以空间换时间，从而达到加速的目的。
但是弊端也是很明显，就是在数据量较大的情况下，而且expand的倍数达到上百倍或者千倍的时候，这任务运行的时间很长（这在数分中是非常常见的）。

分析

先来看一组图：

是不是很刺激，数据从2,635,978,109直接扩张到了168,702,598,976，将近80倍。
该sql就是简单的读取表让后group by cube，如下：

该sql运行的时长达到了5个小时，如下：

经过优化后，该sql只需要49分钟，如下：

其实解决方法很简单，因为我们读取的是parquet的文件，且依赖的表的文件个数有400个，但是优化前的任务数是99个，所以我们可以设置spark.sql.files.maxPartitionBytes的值来控制每个task任务读取的数据大小，笔者是设置为20MB。具体spark是怎么读取parquet文件的可以参考Spark-读取Parquet-为什么task数量会多于Row Group的数量。

结论

这种expand问题解决的思路也是有的：

1. 设置spark.sql.files.maxPartitionBytes为合适的值，这种只适合直接依赖于表的情况（不适用子查询）
2. 参考SPARK-32542,这种只适合group sets的情况，有可能会导致ExchangeExec过多的问题
3. repartition 中间结果表，再拿中间临时结果作为依赖表，这种如果依赖的表很多，需要建立很多的临时表，比较繁琐

    create table temp_a select /*+ repartition(1000) */ from fackt_table
    select columns from temp_a group by cube()
   

4. 修改spark源码从源码底层支持(后续文章会说到)