内容简介:Spark 3.0 推出了 Catalog Plugin 特性。在 Release Note 里面位于Catalog Plugin 的设计文章在 Google Doc 上:
Spark 3.0 推出了 Catalog Plugin 特性。在 Release Note 里面位于 Highlight 部分。我们这篇文章就来介绍一下 Catalog Plugin 机制。
Catalog Plugin 的设计文章在 Google Doc 上: SPIP: Spark API for Table Metadata 。本文部分参考于这篇设计文档。
1. 背景
DataSourceV2 是 Spark 2.x 新推出的 API,主要目的是用来和外部数据存储进行集成,比如数据读写。但是这里缺少关键的一环:对表的元数据进行操作,比如创建、修改、删除表等。
SparkSQL 和 DataFrame 操作都支持 CTAS (Create Table AS Select) 用来创建一个表并向该表写入数据,注意这里是一个操作。缺少创建目标表的 API,CTAS 的实际行为将完全取决于 DataSourceV2 的实现。比如写表失败,表可能被保存也可能被删除。并且在某些 SaveMode 下,我们无法区分 CTAS 和普通的写操作,那么很有可能在 Append 模式下写表的时候会因为表被删除而失败。最后一点,Spark 没有一种机制用来设置由 CTAS 创建的表,比如分区。
除此之外,数据工程师也希望类似 CTAS 的 high-level 操作在数据源上面进行操作的时候能保持行为一致。 SPIP to Standardize SQL Logical Plans 介绍了一些 high-level 的操作,并且总结了这些操作的期望行为,并期望 Spark 在内部实现上设计一种机制进行保证。这也要求 Catalog API 能对那些数据源进行创建、修改以及删除等操作。
举个例子,为了实现 CTAS,Spark 会创建、写入或者删除表(写入失败时)。这样的话,当元数据管理不可用或者 driver 自己失败的时候,CTAS 可能会删除表不成功。
除此之外,还有一个暴露 catalog API 的需求。我们使用 DataFrame 编写 Spark 程序的时候可以使用 SQL 引擎,但是并没有类似创建、修改以及删除这种 catalog 的 API 提供。在 Spark 代码中,Catalog 接口提供了一些操作,但是并不够全面和强大,比如不支持 multi catalog。
这就是 Catalog Plugin 产生的背景。
所以 Catalog Plugin 的首要目标其实是提供一组 catalog API 用来创建、修改、加载和删除表。
2. CatalogPlugin Interface
CatalogPlugin 在 Spark 代码中是一个 Interface,代码如下。
/** * A marker interface to provide a catalog implementation for Spark. * <p> * Implementations can provide catalog functions by implementing additional interfaces for tables, * views, and functions. * <p> * Catalog implementations must implement this marker interface to be loaded by * {@link Catalogs#load(String, SQLConf)}. The loader will instantiate catalog classes using the * required public no-arg constructor. After creating an instance, it will be configured by calling * {@link #initialize(String, CaseInsensitiveStringMap)}. * <p> * Catalog implementations are registered to a name by adding a configuration option to Spark: * {@code spark.sql.catalog.catalog-name=com.example.YourCatalogClass}. All configuration properties * in the Spark configuration that share the catalog name prefix, * {@code spark.sql.catalog.catalog-name.(key)=(value)} will be passed in the case insensitive * string map of options in initialization with the prefix removed. * {@code name}, is also passed and is the catalog's name; in this case, "catalog-name". * * @since 3.0.0 */ @Evolving public interface CatalogPlugin { /** * Called to initialize configuration. * <p> * This method is called once, just after the provider is instantiated. * * @param name the name used to identify and load this catalog * @param options a case-insensitive string map of configuration */ void initialize(String name, CaseInsensitiveStringMap options); /** * Called to get this catalog's name. * <p> * This method is only called after {@link #initialize(String, CaseInsensitiveStringMap)} is * called to pass the catalog's name. */ String name(); /** * Return a default namespace for the catalog. * <p> * When this catalog is set as the current catalog, the namespace returned by this method will be * set as the current namespace. * <p> * The namespace returned by this method is not required to exist. * * @return a multi-part namespace */ default String[] defaultNamespace() { return new String[0]; } }
从代码中我们可以获得几点有用的信息:
- 自定义 catalog 必须实现这个 interface
- 然后通过 Catalog#load(String, SQLConf) 进行加载,加载时会调用具体 Catalog 的无参构造函数方法进行初始化
- 初始化之后会调用 CatalogPlugin 中的 initialize 方法进行初始化
- 使用 CatalogPlugin 需要添加如下配置,其中第二个配置就是我们传递给 CatalogPlugin 的 initialize 方法的参数
- spark.sql.catalog.catalog-name=com.example.YourCatalogClass
- spark.sql.catalog.catalog-name.(key)=(value)
我们查看一下 CatalogPlugin Interface 的实现和继承关系可以看到如下图。我们可以看到 TableCatalog Interfact 继承了 CatalogPlugin,然后 V2SessionCatalog 和 JDBCTableCatalog 是两个具体的 class,实现了 TableCatalog。所以我们可以有理由相信 TableCatalog 中实现了创建、修改、删除表的 api。
3. TableCatalog
TableConfig 也是一个 Interface,代码如下。
/** * Catalog methods for working with Tables. * <p> * TableCatalog implementations may be case sensitive or case insensitive. Spark will pass * {@link Identifier table identifiers} without modification. Field names passed to * {@link #alterTable(Identifier, TableChange...)} will be normalized to match the case used in the * table schema when updating, renaming, or dropping existing columns when catalyst analysis is case * insensitive. * * @since 3.0.0 */ @Evolving public interface TableCatalog extends CatalogPlugin { ... }
根据注释可以看出 TableCatalog 定义了 Catalog 和表进行交互的方法,其实就是前面说的增删改。值得注意的是 TableCatalog 可以被实现成字符敏感或者字符不敏感的,实现方法是通过一个 alterTable 方法去对 field 做规范化,确实挺巧妙的。
TableCatalog 定义的方法非常的简单,都是和 table 相关的,如下,这里就不再细说的。
TableCatalog 的实现有 V2SessionCatalog 和 JDBCCatalog,其中 V2SessionCatalog 是为了和之前的 SparkSession 中的 Catalog 做兼容,这里就不再细说了。
4. CatalogManager
前面介绍 Catalog 使用的时候提供一个配置就可以了。
spark.sql.catalog.catalog-name=com.example.YourCatalogClass
那么我们有理由怀疑所有的 catalog 都是通过一个 Map 映射关系来管理的,实际上确实差不多,这个管理的 Class 就是 CatalogManager。
/** * A thread-safe manager for [[CatalogPlugin]]s. It tracks all the registered catalogs, and allow * the caller to look up a catalog by name. * * There are still many commands (e.g. ANALYZE TABLE) that do not support v2 catalog API. They * ignore the current catalog and blindly go to the v1 `SessionCatalog`. To avoid tracking current * namespace in both `SessionCatalog` and `CatalogManger`, we let `CatalogManager` to set/get * current database of `SessionCatalog` when the current catalog is the session catalog. */ private[sql] class CatalogManager( ... )
从 CatalogManager 的注释中我们可以看出这就是一个 CatalogPlugin 的管理者,并且是线程安全的。我们简单看一下 CatalogManager 内部的方法和成员。
如上所示,简单介绍其中两个。
- catalogs: 一个 map: mutable.HashMap[String, CatalogPlugin],保存 catalog 名字和 Class 的隐射关系
- catalog(String):用来查找特定名字的 Catalog,返回 CatalogPlugin 接口。
5. 使用举例
使用举例下面这篇文章写的挺好的,copy 部分内容如下,全文可以移步: https://developer.aliyun.com/article/756968
基于 Spark 3.0 preview使用Iceberg + SparkSQL
在Spark DatasourceV2增加了multiple catalog等功能后,回到我们想要查询的SQL,实现步骤如下:
1.在Iceberg侧对CatalogPlugin/TableCatalog/SupportsRead等接口进行实现,实现类名如: org.apache.iceberg.spark.SparkCatalog
2.在spark的配置文件中设置:
spark.sql.catalog.iceberg_catalog = org.apache.iceberg.spark.SparkCatalog
3.基于配置的catalogName,调整SQL如下,就可以进行基于SQL的跨数据源查询了。
select * from iceberg_catalog.ns1.t1 join hive_db.t2 on t1.k1 = t2.k1;
4.除了跨数据源数据分析以外,现在还可以对Iceberg的表进行DDL操作了,如,
create table iceberg_catalog.t1 ...... drop table iceberg_catalog.t1
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- Flink 状态管理和容错机制介绍
- Django 默认权限机制介绍及实践
- js 调用栈机制与ES6尾调用优化介绍
- 快速失败机制 & 失败安全机制
- JavaScript线程机制与事件机制
- 区块链是怎样将分布式组网机制、合约机制、共识机制等技术结合并应用
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
XML 在线格式化
在线 XML 格式化压缩工具
RGB CMYK 转换工具
RGB CMYK 互转工具