黑马程序员技术交流社区
标题: 【上海校区】一条Sql的Spark之旅 [打印本页]
作者: 梦缠绕的时候 时间: 2020-2-26 12:49
标题: 【上海校区】一条Sql的Spark之旅
SQL作为一门标准的、通用的、简单的DSL，在大数据分析中有着越来越重要的地位;Spark在批处理引擎领域当前也是处于绝对的地位，而Spark2.0中的SparkSQL也支持ANSI-SQL 2003标准。因此SparkSQL在大数据分析中的地位不言而喻。
本文将通过分析一条SQL在Spark中的解析执行过程来梳理SparkSQL执行的一个流程。
案例分析代码val spark = SparkSession.builder().appName("TestSql").master("local").enableHiveSupport().getOrCreate()val df = spark.sql("select sepal_length,class from origin_csvload.csv_iris_qx order by sepal_length limit 10 ")df.show(3)我们在数仓中新建了一张表origin_csvload.csv_iris_qx，然后通过SparkSQL执行了一条SQL，由于整个过程由于是懒加载的，需要通过Terminal方法触发，此处我们选择show方法来触发。
源码分析词法解析、语法解析以及分析sql方法会执行以下3个重点：
- sessionState.sqlParser.parsePlan(sqlText)：将SQL字符串通过ANTLR解析成逻辑计划（Parsed Logical Plan）
- sparkSession.sessionState.executePlan(logicalPlan)：执行逻辑计划，此处为懒加载，只新建QueryExecution实例，并不会触发实际动作。需要注意的是QueryExecution其实是包含了SQL解析执行的4个阶段计划（解析、分析、优化、执行）
- QueryExecution.assertAnalyzed()：触发语法分析，得到分析计划（Analyzed Logical Plan）
def sql(sqlText: String): DataFrame = { //1:Parsed Logical Plan Dataset.ofRows(self, sessionState.sqlParser.parsePlan(sqlText))} def ofRows(sparkSession: SparkSession, logicalPlan: LogicalPlan): DataFrame = { val qe = sparkSession.sessionState.executePlan(logicalPlan)//d-1 qe.assertAnalyzed()//d-2 new Dataset[Row](sparkSession, qe, RowEncoder(qe.analyzed.schema))}//d-1def executePlan(plan: LogicalPlan): QueryExecution = new QueryExecution(sparkSession, plan)//2:Analyzed Logical Planlazy val analyzed: LogicalPlansparkSession.sessionState.analyzer.executeAndCheck(logical)解析计划和分析计划sql解析后计划如下：
== Parsed Logical Plan =='GlobalLimit 10+- 'LocalLimit 10 +- 'Sort ['sepal_length ASC NULLS FIRST], true +- 'Project ['sepal_length, 'class] +- 'UnresolvedRelation `origin_csvload`.`csv_iris_qx`主要是将SQL一一对应地翻译成了catalyst的操作，此时数据表并没有被解析，只是简单地识别为表。而分析后的计划则包含了字段的位置、类型，表的具体类型（parquet）等信息。
== Analyzed Logical Plan ==sepal_length: double, class: stringGlobalLimit 10+- LocalLimit 10 +- Sort [sepal_length#0 ASC NULLS FIRST], true +- Project [sepal_length#0, class#4] +- SubqueryAlias `origin_csvload`.`csv_iris_qx` +- Relation[sepal_length#0,sepal_width#1,petal_length#2,petal_width#3,class#4] parquet此处有个比较有意思的点，UnresolvedRelation origin_csvload.csv_iris_qx被翻译成了一个子查询别名，读取文件出来的数据注册成了一个表，这个是不必要的，后续的优化会消除这个子查询别名。
优化以及执行以DataSet的show方法为例，show的方法调用链为showString->getRows->take->head->withAction，我们先来看看withAction方法：
def head(n: Int): Array[T] = withAction("head", limit(n).queryExecution)(collectFromPlan)private def withAction[U](name: String, qe: QueryExecution)(action: SparkPlan => U) = { val result= SQLExecution.withNewExecutionId(sparkSession, qe) { action(qe.executedPlan) } result}withAction方法主要执行如下逻辑：
1. 拿到缓存的解析计划，使用遍历优化器执行解析计划，得到若干优化计划。
2. 获取第一个优化计划，遍历执行前优化获得物理执行计划，这是已经可以执行的计划了。
3. 执行物理计划，返回实际结果。至此，这条SQL之旅就结束了。
//3:Optimized Logical Plan,withCachedData为Analyzed Logical Plan，即缓存的变量analyzedlazy val optimizedPlan: LogicalPlan = sparkSession.sessionState.optimizer.execute(withCachedData)lazy val sparkPlan: SparkPlan = planner.plan(ReturnAnswer(optimizedPlan)).next()//4:Physical Planlazy val executedPlan: SparkPlan = prepareForExecution(sparkPlan)优化计划及物理计划优化后的计划如下，可以看到SubqueryAliases已经没有了。
== Optimized Logical Plan ==GlobalLimit 10+- LocalLimit 10 +- Sort [sepal_length#0 ASC NULLS FIRST], true +- Project [sepal_length#0, class#4] +- Relation[sepal_length#0,sepal_width#1,petal_length#2,petal_width#3,class#4] parquet具体的优化点如下图所示，行首有!表示优化的地方。
其中"=== Result of Batch Finish Analysis ==="表示"Finish Analysis"的规则簇（参见附录一）被应用成功，可以看到该规则簇中有一个消除子查询别名的规则EliminateSubqueryAliases
Batch("Finish Analysis", Once, EliminateSubqueryAliases, ReplaceExpressions, ComputeCurrentTime, GetCurrentDatabase(sessionCatalog), RewriteDistinctAggregates)最后根据物理计划生成规则（附录二）可以得到物理计划，这就是已经可以执行的计划了。具体如下：
== Physical Plan ==TakeOrderedAndProject(limit=10, orderBy=[sepal_length#0 ASC NULLS FIRST], output=[sepal_length#0,class#4])+- *(1) Project [sepal_length#0, class#4] +- *(1) FileScan parquet origin_csvload.csv_iris_qx[sepal_length#0,class#4] Batched: true, Format: Parquet, Location: CatalogFileIndex[hdfs://di124:8020/user/hive/warehouse/origin_csvload.db/csv_iris_qx], PartitionCount: 1, PartitionFilters: [], PushedFilters: [], ReadSchema: struct<sepal_length:double,class:string>总结本文简述了一条SQL是如何从字符串经过词法解析、语法解析、规则优化等步骤转化成可执行的物理计划，最后以一个Terminal方法触发逻辑返回结果。本文可为后续SQL优化提供一定思路，之后可再详述具体的SQL优化原则。
作者: 梦缠绕的时候 时间: 2020-2-26 12:49
有问题联系学姐
DKA-2018
作者: flyinglab 时间: 2020-3-12 12:20
赞一个。
| 欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/) |
黑马程序员IT技术论坛 X3.2 |