分享

Spark SQL源码分析之核心流程

本帖最后由 pig2 于 2017-2-8 13:56 编辑
问题导读
1、如何对Spark SQL进行一些测试?

2、SQLContex有哪些成员?

3、Spark SQL的核心执行流程是什么?




自从去年Spark Submit 2013 Michael Armbrust分享了他的Catalyst,到至今1年多了,Spark SQL的贡献者从几人到了几十人,而且发展速度异常迅猛,究其原因,个人认为有以下2点:
    1、整合:将SQL类型的查询语言整合到 Spark 的核心RDD概念里。这样可以应用于多种任务,流处理,批处理,包括机器学习里都可以引入Sql。
    2、效率:因为Shark受到hive的编程模型限制,无法再继续优化来适应Spark模型里。
    前一段时间测试过Shark,并且对Spark SQL也进行了一些测试,但是还是忍不住对Spark SQL一探究竟,就从源代码的角度来看一下Spark SQL的核心执行流程吧。

一、引子
先来看一段简单的Spark SQL程序:[mw_shl_code=bash,true]1. val sqlContext = new org.apache.spark.sql.SQLContext(sc)
2. import sqlContext._
3.case class Person(name: String, age: Int)
4.val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt))
5.people.registerAsTable("people")
6.val teenagers = sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")
7.teenagers.map(t => "Name: " + t(0)).collect().foreach(println)[/mw_shl_code]

程序前两句1和2生成SQLContext,导入sqlContext下面的all,也就是运行SparkSQL的上下文环境。
程序3,4两句是加载数据源注册table
第6句是真正的入口,是sql函数,传入一句sql,先会返回一个SchemaRDD。这一步是lazy的,直到第七句的collect这个action执行时,sql才会执行。


二、SQLCOntext
SQLContext是执行SQL的上下文对象,首先来看一下它Hold的有哪些成员:
Catalog  
一个存储<tableName,logicalPlan>的map结构,查找关系的目录,注册表,注销表,查询表和逻辑计划关系的类。
1.png


SqlParser
Parse 传入的sql来对语法分词,构建语法树,返回一个logical plan
1.png


Analyzer
  logical plan的语法分析器
1.png


Optimizer
logical Plan的优化器
1.png

LogicalPlan
逻辑计划,由catalyst的TreeNode组成,可以看到有3种语法树
1.png


SparkPlanner
包含不同策略的优化策略来优化物理执行计划
1.png

QueryExecution
sql执行的环境上下文
1.png

就是这些对象组成了Spark SQL的运行时,看起来很酷,有静态的metadata存储,有分析器、优化器、逻辑计划、物理计划、执行运行时。
那这些对象是怎么相互协作来执行sql语句的呢?


三、Spark SQL执行流程
话不多说,先上图,这个图我用一个在线作图工具process on话的,画的不好,图能达意就行:
1.png

核心组件都是绿色的方框,每一步流程的结果都是蓝色的框框,调用的方法是橙色的框框。

先概括一下,大致的执行流程是:
Parse SQL -> Analyze Logical Plan -> Optimize Logical Plan -> Generate Physical Plan -> Prepareed Spark Plan -> Execute SQL -> Generate RDD

更具体的执行流程:
     sql or hql -> sql parser(parse)生成 unresolved logical plan -> analyzer(analysis)生成analyzed logical plan  -> optimizer(optimize)optimized logical plan -> spark planner(use strategies to plan)生成physical plan -> 采用不同Strategies生成spark plan -> spark plan(prepare) prepared spark plan -> call toRDD(execute()函数调用) 执行sql生成RDD

3.1、Parse SQL
回到开始的程序,我们调用sql函数,其实是SQLContext里的sql函数它的实现是new一个SchemaRDD,在生成的时候就调用parseSql方法了。
  1. /**
  2. * Executes a SQL query using Spark, returning the result as a SchemaRDD.
  3. *
  4. * @group userf
  5. */  
  6. def sql(sqlText: String): SchemaRDD = new SchemaRDD(this, parseSql(sqlText))
复制代码

   结果是会生成一个逻辑计划
  1. @transient  
  2. protected[sql] val parser = new catalyst.SqlParser   
复制代码


3.2、Analyze to Execution
当我们调用SchemaRDD里面的collect方法时,则会初始化QueryExecution,开始启动执行。
  1. override def collect(): Array[Row] = queryExecution.executedPlan.executeCollect()  
复制代码

我们可以很清晰的看到执行步骤:
  1. protected abstract class QueryExecution {  
  2.     def logical: LogicalPlan  
  3.     lazy val analyzed = analyzer(logical)  //首先分析器会分析逻辑计划  
  4.     lazy val optimizedPlan = optimizer(analyzed) //随后优化器去优化分析后的逻辑计划  
  5.     // TODO: Don't just pick the first one...  
  6.     lazy val sparkPlan = planner(optimizedPlan).next() //根据策略生成plan物理计划  
  7.     // executedPlan should not be used to initialize any SparkPlan. It should be  
  8.     // only used for execution.  
  9.     lazy val executedPlan: SparkPlan = prepareForExecution(sparkPlan) //最后生成已经准备好的Spark Plan  
  10.     /** Internal version of the RDD. Avoids copies and has no schema */  
  11.     lazy val toRdd: RDD[Row] = executedPlan.execute() //最后调用toRDD方法执行任务将结果转换为RDD  
  12.     protected def stringOrError[A](f: => A): String =  
  13.       try f.toString catch { case e: Throwable => e.toString }  
  14.     def simpleString: String = stringOrError(executedPlan)  
  15.     override def toString: String =  
  16.       s"""== Logical Plan ==  
  17.          |${stringOrError(analyzed)}  
  18.          |== Optimized Logical Plan ==  
  19.          |${stringOrError(optimizedPlan)}  
  20.          |== Physical Plan ==  
  21.          |${stringOrError(executedPlan)}  
  22.       """.stripMargin.trim  
  23.   }
复制代码
至此整个流程结束。


  四、总结:
  通过分析SQLContext我们知道了Spark SQL都包含了哪些组件,SqlParser,Parser,Analyzer,Optimizer,LogicalPlan,SparkPlanner(包含Physical Plan),QueryExecution.
  通过调试代码,知道了Spark SQL的执行流程:
sql or hql -> sql parser(parse)生成 unresolved logical plan -> analyzer(analysis)生成analyzed logical plan  -> optimizer(optimize)optimized logical plan -> spark planner(use strategies to plan)生成physical plan -> 采用不同Strategies生成spark plan -> spark plan(prepare) prepared spark plan -> call toRDD(execute()函数调用) 执行sql生成RDD

  随后还会对里面的每个组件对象进行研究,看看catalyst究竟做了哪些优化。






没找到任何评论,期待你打破沉寂

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

推荐上一条 /2 下一条