vlambda博客
学习文章列表

SQL在Spark中如何执行解析？

点击上方蓝色字关注我们~

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。


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


1. 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)


2. 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。


3. 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：


  • 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。

  • 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。

  • 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)


4. 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。


SQL在Spark中如何执行解析？


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


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。



附录1：优化方法


分析计划会依次应用如下优化：

1. 前置优化。当前为空。

2. 默认优化。主要有如下类别，每个类别分别有若干优化规则。


  • Optimize Metadata Only Query

  • Extract Python UDFs

  • Prune File Source Table Partitions

  • Parquet Schema Pruning

  • Finish Analysis

  • Union

  • Subquery

  • Replace Operators

  • Aggregate

  • Operator Optimizations

  • Check Cartesian Products

  • Decimal Optimizations

  • Typed Filter Optimization

  • LocalRelation

  • OptimizeCodegen

  • RewriteSubquery


3. 后置优化。当前为空。

4. 用户提供的优化。来自experimentalMethods.extraOptimizations，当前也没有。


附录2：物理计划生成规则


生成物理执行计划的规则如下：


  • PlanSubqueries

  • EnsureRequirements

  • CollapseCodegenStages

  • ReuseExchange

  • ReuseSubquery


End.

来源：博客园


爱数据公益直播第二季正式开启啦！本次系列课程会以数据职场及求职面试内容为主，虽然疫情延误了春招，但复工后还是有部分企业需要招聘大量人才，我们在春招前做好准备“拿好武器，奔赴春招战场”


· 爱数据公益直播第二季 ·


直播主题：2020年第一季度O2O电商行业就业机会解析


直播时间：2月29日 本周六晚8:30 准时直播分享


扫下方海报二维码，领取【淘宝母婴数据集】

参与活动还有更多学习资料赠送哦


点击“阅读原文”免费预约课程

推荐阅读

剑星 星刃 全支线任务汇总攻略-紧急信息 剑星 星刃 全支线任务汇总攻略-紧急信息
「大数据」（七十四）Spark之应用案例编程 「大数据」（七十四）Spark之应用案例编程

相关文章