一探究竟：善用 MaxCompute Studio 分析 SQL 作业

摘要： 头疼的问题 MaxCompute 用户一个常见的问题是：同一个周期任务，为什么最近几天比之前慢了很多？或者为什么之前都能按时产出的作业最近经常破线？ 通常来说，引起作业执行变慢的原因有：quota 组资源不足、输入数据量变动、数据分布情况变动、平台硬件故障引发重跑等。

头疼的问题

MaxCompute 用户一个常见的问题是：同一个周期任务，为什么最近几天比之前慢了很多？或者为什么之前都能按时产出的作业最近经常破线？

通常来说，引起作业执行变慢的原因有：quota 组资源不足、输入数据量变动、数据分布情况变动、平台硬件故障引发重跑等。本文主要针对数据变动引起的作业慢问题，介绍用户如何通过 MaxCompute Studio 的作业执行图及作业详情功能来自助定位问题。

MaxCompute Studio 登场

我们举个例子来说。 下面是同一个任务分别在5月7日，5月9日的执行情况，下面分别称为作业一、作业二：

作业一，执行时长 24分38秒

作业二，执行时长 9分40秒

先来，对比下 SQL 和执行计划

通常来说，进行两次执行对比前，要先对比一下两次执行的 SQL 脚本是否相同，如果在这之间用户改动过作业脚本，就需要先分析改动的部分造成的影响。如果脚本内容一致，随后还需要比较执行计划是否一致，可以通过  MaxCompute  Studio  的作业执行计划图功能来分析（参看文档），可视化地看看两次执行的计划图长得一样不一样。 （作业对比的功能正在开发中，下个版本的 Studio 中就可以一键对比两个作业，标注出 SQL 脚本及其它部分的不同之处啦，敬请期待）

在上面这个例子中两个作业的 SQL 脚本及执行计划完全一致，出于数据安全考虑，此处不粘贴具体 SQL 的内容。

再来，对比数据量

第二步要看一下作业输入数据量有没有明显变化，有可能是某一天输入表或分区的数据量暴涨导致了作业执行变慢。作业输入数据在 Detail 页面左侧，那里列出了这个作业所有输入的数据表和最终输出的数据表。 展开 输入->Table Name 可以查看详细信息，包括是哪个 Fuxi 任务读取了这个表，读取了多少条记录以及读取的数据量大小。这些信息，也标注在作业执行计划图 graph 上，方便查看。如下图所示，

作业一的输入表及读取数据

作业二的输入表及读取数据

也可以从graph上直接读取输入行数或者字节数（默认展示行数，可在边上右键切换为字节数）：

作业一 graph输入行数

作业二 graph输入行数

在这个例子中，从输入数据量来看，两次执行的输入数据量差别不大。

作业回放是把利器

第三步，那到底作业运行情况是怎样的呢？运行那么长时间，或花费在哪儿了呢？不急，快快使用作业回放！
在 Studio 中作业执行计划图底部提供的作业回放工具条，允许用户在 30 秒内快速回放作业执行进度的全过程！这样我们就可以迅速地了解到底是哪个 Task 耗时最多，或者处理得数据最多，或者输出的数据最多等等。

通过回放重现作业执行过程，Studio 提供进度图以及热度图方便从不同维度进行作业分析。

作业一 进度图回放

作业二 进度图回放

从回放中可以看出
（1）J6_2_4_5 task是整个作业瓶颈，时间消耗最多，从task热度图中也能发现该节点明显热于其它节点。（时间热度图上越红代表运行时间越长，数据热度图上越红代表处理数据越多）

（2）同时对比两个作业的回放过程，能够比较明显地发现作业一在J6_2_4_5运行时长要大于作业二，说明作业一在J6_2_4_5阶段变慢了，初步怀疑有长尾节点产生。

接下来切换到时序图tab，比较两个作业的执行timeline：

作业一 执行timeline

作业二 执行timeline

虽然两个作业timeline的时间尺度不同，但是可以明显看出，作业一中J6_2_4_5 占了更长的比例，由此可以断定是J6_2_4_5 在05-07执行（也就是作业一）发生可能长尾，导致整个作业执行变慢。

进入深水区

第四步，通过graph或detail tab 对比J6_2_4_5 的输入数据量

作业一 detail tab

作业二 detail tab

关注上图中J6_2_4_5 输入数据量和统计信息，通过比较可看出，两次执行的J6_2_4_5 输入数据量基本相同，1.58万亿字节 vs 1.7万亿字节，从统计信息来看，累计执行时间及平均时间也基本相同：292398 vs 307628， 72s vs 76s 但作业一 fuxi instances中的最长执行时间为710s， 由此可以认定是某几个fuxi instance长尾导致了J6_2_4_5 这个fuxi task的长尾。

第五步，对两个 J6_2_4_5 fuxi instance 列表按照latency 排序：

作业一

作业二

或者转到分析tab下的长尾页面查找长尾节点：注意这个图中的比例尺是以等比而不是等差方式标定的，因此，上面突出的比较长的毛刺就很可能是长尾的实例了。可以通过浮动窗口中的具体信息来判断。 另外 Studio 也提供了诊断的页面，来自动找出超过平均实例执行时间两倍的长尾实例。

作业一

作业二

从上面fuxi instance 输入数据对比可以确定，因为J6_2_4_5#1912_0 这个instance 数据倾斜导致整个作业一长尾。即J6_2_4_5#1912_0 是latency排第二的输入数据量的7倍！

渐入佳境，刨根问底

第六步，查看单个instance的执行日志，并通过job graph分析J6_2_4_5的具体执行计划，找到导致长尾的数据来源。

打开J6_2_4_5的operator graph， 可以看到有两个join：Merge Join2和Merge Join3，这里以Merge Join2为例展示如何查找数据来源。

从Merge Join2中可看到join key：_col13, user_id。 其中_col13 来自于J5， 点开J5后发现_col13来自IF(ISNULL(HOT_SELLER_MAP(sellerid)),sellerid,CONCAT(seller,TOSTRING(RAND()))) 说明_col13由seller决定，该seller来自于M4和M3。

J5 operator详细信息

分别打开M4和M3的Operator详细信息，可以看到seller 分别来自tmp_s_dw_log_app_user_track_pre_1_20180508 和dim_feed_shop。

M4 Operator详细信息

M3 Operator详细信息

同理可以分析出Merge Join2 的user_id 来自于dim_tb_shop。

最后，通过写sql模拟产生对应的userid及_col13，比较这两个字段的数据量大小，在针对sql脚本进行优化即可。

 

原文链接