Spark SQL 源码剖析（OptimizeIn 篇）

spark sql 的优化框架 Catalyst 博大精深，里面的精华是很多大牛一个pr一个pr积累起来的，仔细琢磨琢 磨相关源码也是一件痛并快乐的事情，今天我来抛砖引玉，讲讲 逻辑优化里面 OptimizeIn 的实现原理，如果对 spark sql 总体架构不了解的，可以先看这篇文章  是时候学习真正的spark技术了  了解全貌。

OptimizeIn 的优化方式相对简单，所以今天这篇文章的篇幅应该比较短，大家理解起来也相对轻松，当然目的只有一个，就是带动大家看源码的热情，我们先来测试个例子：

这个例子很简单，我们就是建一个表, 表有3个字段 a,b,c  里面包含3条数据:

下面我们对比OptimizeIn 优化策略使用前和使用后的变化

可以看到， Filter 节点谓词表达式从 a#7 IN (a1,a2,a1)  变为了 a#7 IN (a1,a2) ，   其实这个变化不大，只是对 list 中的原始去重了，但是仍然是list类型，sql中谓词的判断还是要去遍历list，然后一个元素一个元素的去判断。这个主要的原因是有一个阈值，低于这个阈值就不转换为 HashSet， 毕竟元素太少了嘛，也没必要，这个配置是 spark.sql.optimizer.inSetConversionThreshold，默认值是 10 ， 我们可以修改一下这个配置，然后再测试一下

你会发现Filter 节点里面的谓词表达式变为了 a#7 INSET (a1,a2)，这种情况使用hashSet 数据结构提升性能，这个在元素比较多的情况下，意义巨大。

按照我之前的原则，我一般不会贴源码，因为这个优化策略实现代码比较少，我就直接贴一下：

我们来分析一下这段代码，首先向下遍历所有的表达式，进行匹配处理，如果match 到相应的模式，就使用新的表达式替换匹配到的表达式。

首先第一种情况，在 list 为空的情况下，替换为一种 If 表达式，

这时候如果 字段的值为空，就返回一个null的常量，这种情况就是

select xxx from t where null  in （）

如果不会空，就直接把 Filter的谓词赋值为Flase， 这样对每一行就直接返回一个 False， 全部过滤掉，提升了性能

select xxx from t where x in （） --> select xxx from t  where flase

下面是在 list 不为空的情况下，首先新建了一个 newList， 这个是一个表达式的 Set， 怎么理解呢，常量在 sql 中也是表达式，对于我们的例子：

我们来看下list 不为空的处理流程：

• 如果 newList 长度为1， In 表达式直接转换为判断和这唯一元素是否相等的EqualTo表达式

• 如果 newList  大于 spark.sql.optimizer.inSetConversionThreshold 配置的值，In表达式转变为 InSet 表达式，使用 hashSet 数据结构提升性能

• 如果 newList 长度小于原来的list长度相等，也就意味中有重复元素，这时候In 表达式转变为一个 元素更少的 In 表达式,这种情况判断方式和原来一样，也是遍历list，一个元素一个元素的去比较

• 如果newList 长度等于原来的list长度相等，就啥也不变

这个OptimizeIn 的逻辑蛮简单的，可以作为一个简单的例子学习一下。

大家都在看

▼

关注 【spark技术分享】

一起撸spark源码，一起玩spark最佳实践

听说新版微信这有个好看