加快geomesa查询速度

Question

我一直在用简单的空间查询测试geomesa，并将其与Postgis进行比较。例如，在Postgis中，此SQL查询在30秒内运行：

with series as (
select
    generate_series(0, 5000) as i
),
points as (
    select ST_Point(i, i*2) as geom from series
)
select st_distance(a.geom, b.geom) from points as a, points as b

现在，以下geomesa版本需要5分钟(使用-Xmx10g )：

import org.apache.spark.sql.SparkSession
import org.locationtech.geomesa.spark.jts._
import org.locationtech.jts.geom._


object HelloWorld {
  def main(args: Array[String]): Unit = {

    val spark = SparkSession.builder
      .config("spark.sql.crossJoin.enabled", "true")
      .config("spark.executor.memory", "12g")
      .config("spark.driver.memory", "12g")
      .config("spark.cores.max", "4")
      .master("local")
      .appName("Geomesa")
      .getOrCreate()
    spark.withJTS
    import spark.implicits._


    val x = 0 until 5000
    val y = for (i <- x) yield i*2
    val coords = for ((i, n) <- x.zipWithIndex) yield (i, y(n))
    val points = for (i <- coords) yield new GeometryFactory().createPoint(new Coordinate(i._1, i._2))
    val points2 = for (i <- coords) yield new GeometryFactory().createPoint(new Coordinate(i._1, i._2))
    val all_points = for {
      i <- points
      j <- points2} yield (i, j)
    val df = all_points.toDF("point", "point2")
    val df2 = df.withColumn("dist", st_distance($"point", $"point2"))
    df2.show()
  }
}

我期望geomesa有类似或更好的性能，可以做些什么来调优这样的查询？

第一次编辑

正如埃米利奥所建议的那样，这不是一个真正的查询，而是一个计算。这个查询可以在没有spark的情况下编写。下面的代码在不到两秒内运行：

import org.locationtech.jts.geom._

object HelloWorld {
  def main(args: Array[String]): Unit = {

    val x = 0 until 5000
    val y = for (i <- x) yield i*2
    val coords = for ((i, n) <- x.zipWithIndex) yield (i, y(n))
    val points = for (i <- coords) yield new GeometryFactory().createPoint(new Coordinate(i._1, i._2))
    val points2 = for {
      i <- points
      j <- points} yield i.distance(j)

    println(points2.slice(0,30))
  }
}

Answer 1

对于少量数据，GeoMesa不会像PostGIS那样快。GeoMesa是为分布式NoSQL数据库设计的。如果您的数据集适合PostGIS，那么您可能应该只使用PostGIS。一旦你达到了PostGIS的极限，你就应该考虑使用GeoMesa。GeoMesa确实提供了与任意GeoTools数据存储(包括PostGIS)的集成，这可以使一些GeoMesa Spark和command-line功能可用于PostGIS。

对于您的特定代码片段，我怀疑大部分时间都花在启动RDD和遍历循环上。这并不是真正的“查询”，因为你只是在运行成对计算。如果您正在查询表中存储的数据，那么GeoMesa有机会优化扫描。然而，GeoMesa不是SQL数据库，并且没有任何对连接的原生支持。一般来说，连接是由Spark在内存中完成的，尽管你可以做一些事情来加速它(例如broadcast join或RDD partitioning)。如果您想要进行复杂的空间连接，您可能需要查看GeoSpark和/或Magellan，它们专门从事空间Spark操作。