Spark 源码系列（九）Spark SQL 初体验之解析过程详解

好久没更新博客了，之前学了一些 R 语言和机器学习的内容，做了一些笔记，之后也会放到博客上面来给大家共享。一个月前就打算更新 Spark Sql 的内容了，因为一些别的事情耽误了，今天就简单写点，Spark1.2 马上就要出来了，不知道变动会不会很大，据说添加了很多的新功能呢，期待中...

首先声明一下这个版本的代码是 1.1 的，之前讲的都是 1.0 的。

Spark 支持两种模式，一种是在 spark 里面直接写 sql，可以通过 sql 来查询对象，类似. net 的 LINQ 一样，另外一种支持 hive 的 HQL。不管是哪种方式，下面提到的步骤都会有，不同的是具体的执行过程。下面就说一下这个过程。

Sql 解析成 LogicPlan

使用 Idea 的快捷键 Ctrl + Shift + N 打开 SQLQuerySuite 文件，进行调试吧。

def sql(sqlText: String): SchemaRDD = {
    if (dialect == "sql") {
      new SchemaRDD(this, parseSql(sqlText))
    } else {
      sys.error(s"Unsupported SQL dialect: $dialect")
    }
  }
复制代码

从这里可以看出来，第一步是解析 sql，最后把它转换成一个 SchemaRDD。点击进入 parseSql 函数，发现解析 Sql 的过程在 SqlParser 这个类里面。 在 SqlParser 的 apply 方法里面，我们可以看到 else 语句里面的这段代码。

//对input进行解析，符合query的模式的就返回Success
      phrase(query)(new lexical.Scanner(input)) match {
        case Success(r, x) => r
        case x => sys.error(x.toString)
      }
复制代码

这里我们主要关注 query 就可以。

protected lazy val query: Parser[LogicalPlan] = (
    select * (
        UNION ~ ALL ^^^ { (q1: LogicalPlan, q2: LogicalPlan) => Union(q1, q2) } |
        INTERSECT ^^^ { (q1: LogicalPlan, q2: LogicalPlan) => Intersect(q1, q2) } |
        EXCEPT ^^^ { (q1: LogicalPlan, q2: LogicalPlan) => Except(q1, q2)} |
        UNION ~ opt(DISTINCT) ^^^ { (q1: LogicalPlan, q2: LogicalPlan) => Distinct(Union(q1, q2)) }
      )
    | insert | cache
  )
复制代码

这里面有很多看不懂的操作符，请到下面这个网址里面去学习。这里可以看出来它目前支持的 sql 语句只是 select 和 insert。

www.scala-lang.org/api/2.10.4/…

我们继续查看 select。

// ~>只保留右边的模式 opt可选的 ~按顺序合成 <~只保留左边的
  protected lazy val select: Parser[LogicalPlan] =
    SELECT ~> opt(DISTINCT) ~ projections ~
    opt(from) ~ opt(filter) ~
    opt(grouping) ~
    opt(having) ~
    opt(orderBy) ~
    opt(limit) <~ opt(";") ^^ {
      case d ~ p ~ r ~ f ~ g ~ h ~ o ~ l  =>
        val base = r.getOrElse(NoRelation)
        val withFilter = f.map(f => Filter(f, base)).getOrElse(base)
        val withProjection =
          g.map {g =>
            Aggregate(assignAliases(g), assignAliases(p), withFilter)
          }.getOrElse(Project(assignAliases(p), withFilter))
        val withDistinct = d.map(_ => Distinct(withProjection)).getOrElse(withProjection)
        val withHaving = h.map(h => Filter(h, withDistinct)).getOrElse(withDistinct)
        val withOrder = o.map(o => Sort(o, withHaving)).getOrElse(withHaving)
        val withLimit = l.map { l => Limit(l, withOrder) }.getOrElse(withOrder)
        withLimit
  }
复制代码

可以看得出来它对 sql 的解析是和我们常用的 sql 写法是一致的，这里面再深入下去还有递归，并不是看起来那么好理解。这里就不继续讲下去了，在解析 hive 的时候我会重点讲一下，我认为目前大家使用得更多是仍然是来源于 hive 的数据集，毕竟 hive 那么稳定。

到这里我们可以知道第一步是通过 Parser 把 sql 解析成一个 LogicPlan。

LogicPlan 到 RDD 的转换过程

好，下面我们回到刚才的代码，接着我们应该看 SchemaRDD。

override def compute(split: Partition, context: TaskContext): Iterator[Row] =
    firstParent[Row].compute(split, context).map(_.copy())

  override def getPartitions: Array[Partition] = firstParent[Row].partitions

  override protected def getDependencies: Seq[Dependency[_]] =
    List(new OneToOneDependency(queryExecution.toRdd))
复制代码

SchemaRDD 是一个 RDD 的话，那么它最重要的 3 个属性：compute 函数，分区，依赖全在这里面，其它的函数我们就不看了。

挺奇怪的是，我们 new 出来的 RDD，怎么会有依赖呢，这个 queryExecution 是啥，点击进去看看吧，代码跳转到 SchemaRDD 继承的 SchemaRDDLike 里面。

lazy val queryExecution = sqlContext.executePlan(baseLogicalPlan)
protected[sql] def executePlan(plan: LogicalPlan): this.QueryExecution =
    new this.QueryExecution { val logical = plan }
复制代码

把这两段很短的代码都放一起了，executePlan 方法就是 new 了一个 QueryExecution 出来，那我们继续看看 QueryExecution 这个类吧。

lazy val analyzed = ExtractPythonUdfs(analyzer(logical))
    lazy val optimizedPlan = optimizer(analyzed)
    lazy val sparkPlan = {
      SparkPlan.currentContext.set(self)
      planner(optimizedPlan).next()
    }
    // 在需要的时候加入Shuffle操作
    lazy val executedPlan: SparkPlan = prepareForExecution(sparkPlan)
    lazy val toRdd: RDD[Row] = executedPlan.execute()
复制代码

从这里可以看出来 LogicPlan 是经过了 5 个步骤的转换，要被 analyzer 和 optimizer 的处理，然后转换成 SparkPlan，在执行之前还要被 prepareForExecution 处理一下，最后调用 execute 方法转成 RDD.

下面我们分步讲这些个东东到底是干啥了。

首先我们看看 Anayzer，它是继承自 RuleExecutor 的，这里插句题外话，Spark sql 的作者 Michael Armbrust 在 2013 年的 Spark Submit 上介绍 Catalyst 的时候，就说到要从整体地去优化一个 sql 的执行是很困难的，所有设计成这种基于一个一个小规则的这种优化方式，既简单又方便维护。

好，我们接下来看看 RuleExecutor 的 apply 方法。

def apply(plan: TreeType): TreeType = {
    var curPlan = plan
    //规则还分批次的，分批对plan进行处理
    batches.foreach { batch =>
      val batchStartPlan = curPlan
      var iteration = 1
      var lastPlan = curPlan
      var continue = true

      // Run until fix point (or the max number of iterations as specified in the strategy.
      while (continue) {
        //用batch种的小规则从左到右挨个对plan进行处理
        curPlan = batch.rules.foldLeft(curPlan) {
          case (plan, rule) =>
            val result = rule(plan)
            result
        }
        iteration += 1
        //超过了规定的迭代次数就要退出的
        if (iteration > batch.strategy.maxIterations) {
              continue = false
        }
        //经过处理成功的plan是会发生改变的，如果和上一次处理接触的plan一样，这说明已经没有优化空间了，可以结束，这个就是前面提到的Fixed point
        if (curPlan.fastEquals(lastPlan)) {
          continue = false
        }
        lastPlan = curPlan
      }
    }

    curPlan
  }
复制代码

看完了 RuleExecutor，我们继续看 Analyzer，下面我只贴出来 batches 这块的代码，剩下的要自己去看了哦。

val batches: Seq[Batch] = Seq(
    //碰到继承自MultiInstanceRelations接口的LogicPlan时，发现id以后重复的，就强制要求它们生成一个新的全局唯一的id
    //涉及到InMemoryRelation、LogicRegion、ParquetRelation、SparkLogicPlan
    Batch("MultiInstanceRelations", Once,
      NewRelationInstances),
    //如果大小写不敏感就把属性都变成小写
    Batch("CaseInsensitiveAttributeReferences", Once,
      (if (caseSensitive) Nil else LowercaseAttributeReferences :: Nil) : _*),
    //这个牛逼啊，居然想迭代100次的。
    Batch("Resolution", fixedPoint,
      //解析从子节点的操作生成的属性，一般是别名引起的，比如a.id
      ResolveReferences ::
      //通过catalog解析表名
      ResolveRelations ::
      //在select语言里，order by的属性往往在前面没写，查询的时候也需要把这些字段查出来，排序完毕之后再删除
      ResolveSortReferences ::
      //前面讲过了
      NewRelationInstances ::
      //清除被误认为别名的属性，比如sum(score) as a，其实它应该是sum(score)才对
      //它被解析的时候解析成Project(Seq(Alias(g: Generator, _))，直接返回Generator就可以了
      ImplicitGenerate ::
      //处理语句中的*，比如select *, count(*)
      StarExpansion ::
      //解析函数
      ResolveFunctions ::
      //解析全局的聚合函数，比如select sum(score) from table
      GlobalAggregates ::
      //解析having子句后面的聚合过滤条件，比如having sum(score) > 400
      UnresolvedHavingClauseAttributes ::
      //typeCoercionRules是hive的类型转换规则
      typeCoercionRules :_*),
    //检查所有节点的属性是否都已经处理完毕了，如果还有没解析出来的属性，这里就会报错！
    Batch("Check Analysis", Once,
      CheckResolution),
    //清除多余的操作符，现在是Subquery和LowerCaseSchema，
    //第一个是子查询，第二个HiveContext查询树里面把子节点全部转换成小写
    Batch("AnalysisOperators", fixedPoint,
      EliminateAnalysisOperators)
  )
复制代码

可以看得出来 Analyzer 是把 Unresolved 的 LogicPlan 解析成 resolved 的，解析里面的表名、字段、函数、别名什么的。

我们接着看 Optimizer, 从单词上看它是用来做优化的，但是从代码上来看它更多的是为了过滤我们写的一些垃圾语句，并没有做什么实际的优化。

object Optimizer extends RuleExecutor[LogicalPlan] {
  val batches =
      //递归合并相邻的两个limit
    Batch("Combine Limits", FixedPoint(100),
      CombineLimits) ::
    Batch("ConstantFolding", FixedPoint(100),
      //替换null值
      NullPropagation,
      //替换一些简单的常量表达式，比如 1 in (1,2) 直接返回一个true就可以了
      ConstantFolding,
      //简化like语句，避免全表扫描，目前支持'%demo%', '%demo','demo*','demo'
      LikeSimplification,
      //简化过滤条件，比如true and score > 0 直接替换成score > 0
      BooleanSimplification,
      //简化filter，比如where 1=1 或者where 1=2，前者直接去掉这个过滤，后者这个查询就没必要做了
      SimplifyFilters,
      //简化转换，比如两个比较字段的数据类型是一样的，就不需要转换了
      SimplifyCasts,
      //简化大小写转换，比如Upper(Upper('a'))转为认为是Upper('a')
      SimplifyCaseConversionExpressions) ::
    Batch("Filter Pushdown", FixedPoint(100),
      //递归合并相邻的两个过滤条件
      CombineFilters,
      //把从表达式里面的过滤替换成，先做过滤再取表达式，并且掉过滤里面的别名属性
      //典型的例子 select * from (select a,b from table) where a=1
      //替换成select * from (select a,b from table where a=1)
      PushPredicateThroughProject,
      //把join的on条件中可以在原表当中做过滤的先做过滤
      //比如select a,b from x join y on x.id = y.id and x.a >0 and y.b >0
      //这个语句可以改写为 select a,b from x where x.a > 0 join (select * from y where y.b >0) on x.id = y.id
      PushPredicateThroughJoin,
      //去掉一些用不上的列
      ColumnPruning) :: Nil
}
复制代码

真是用心良苦啊，看来我们写 sql 的时候还是要注意一点的，你看人家花多大的功夫来优化我们的烂 sql。要是我肯定不优化。写得烂就慢去吧！

接下来，就改看这一句了 planner(optimizedPlan).next() 我们先看看 SparkPlanner 吧。

protected[sql] class SparkPlanner extends SparkStrategies {
    val sparkContext: SparkContext = self.sparkContext

    val sqlContext: SQLContext = self

    def codegenEnabled = self.codegenEnabled

    def numPartitions = self.numShufflePartitions
    //把LogicPlan转换成实际的操作，具体操作类在org.apache.spark.sql.execution包下面
    val strategies: Seq[Strategy] =
      //把cache、set、expain命令转化为实际的Command
      CommandStrategy(self) ::
      //把limit转换成TakeOrdered操作
      TakeOrdered ::
      //名字有点蛊惑人，就是转换聚合操作
      HashAggregation ::
      //left semi join只显示连接条件成立的时候连接左边的表的信息
      //比如select * from table1 left semi join table2 on(table1.student_no=table2.student_no);
      //它只显示table1中student_no在表二当中的信息，它可以用来替换exist语句
      LeftSemiJoin ::
      //等值连接操作，有些优化的内容，如果表的大小小于spark.sql.autoBroadcastJoinThreshold设置的字节
      //就自动转换为BroadcastHashJoin，即把表缓存，类似hive的map join（顺序是先判断右表再判断右表）。
      //这个参数的默认值是10000
      //另外做内连接的时候还会判断左表右表的大小，shuffle取数据大表不动，从小表拉取数据过来计算
      HashJoin ::
      //在内存里面执行select语句进行过滤,会做缓存
      InMemoryScans ::
      //和parquet相关的操作
      ParquetOperations ::
      //基本的操作
      BasicOperators ::
      //没有条件的连接或者内连接做笛卡尔积
      CartesianProduct ::
      //把NestedLoop连接进行广播连接
      BroadcastNestedLoopJoin :: Nil
      ......  
}
复制代码

这一步是把逻辑计划转换成物理计划，或者说是执行计划了，里面有很多概念是我以前没听过的，网上查了一下才知道，原来数据库的执行计划还有那么多的说法，这一块需要是专门研究数据库的人比较了解了。剩下的两步就是 prepareForExecution 和 execute 操作。

prepareForExecution 操作是检查物理计划当中的 Distribution 是否满足 Partitioning 的要求，如果不满足的话，需要重新弄做分区，添加 shuffle 操作，这块暂时没咋看懂，以后还需要仔细研究。最后调用 SparkPlan 的 execute 方法，这里面稍微讲讲这块的树型结构。

sql 解析出来就是一个二叉树的结构，不管是逻辑计划还是物理计划，都是这种结构，所以在代码里面可以看到 LogicPlan 和 SparkPlan 的具体实现类都是有继承上面图中的三种类型的节点的。

非 LeafNode 的 SparkPlan 的 execute 方法都会有这么一句 child.execute()，因为它需要先执行子节点的 execute 来返回数据，执行的过程是一个先序遍历。

最后把这个过程也用一个图来表示吧，方便记忆。

(1) 通过一个 Parser 来把 sql 语句转换成 Unresolved LogicPlan，目前有两种 Parser，SqlParser 和 HiveQl。

(2) 通过 Analyzer 把 LogicPlan 当中的 Unresolved 的内容给解析成 resolved 的，这里面包括表名、函数、字段、别名等。

(3) 通过 Optimizer 过滤掉一些垃圾的 sql 语句。

(4) 通过 Strategies 把逻辑计划转换成可以具体执行的物理计划，具体的类有 SparkStrategies 和 HiveStrategies。

(5) 在执行前用 prepareForExecution 方法先检查一下。

(6) 先序遍历，调用执行计划树的 execute 方法。