spark-sql架构与原理

一. 整体架构


总结为如下图：

 

Dataframe本质是  数据  +  数据的描述信息（结构元信息）

所有的上述SQL及dataframe操作最终都通过Catalyst翻译成spark程序RDD操作代码

 

sparkSQL前身是shark，大量依赖Hive项目的jar包与功能，但在上面的扩展越来越难，因此出现了SparkSQL，它重写了分析器，执行器   脱离了对Hive项目的大部分依赖，基本可以独立去运行，只用到两个地方：

1.借用了hive的词汇分析的jar即HiveQL解析器

2.借用了hive的metastore和数据访问API即hiveCatalog

 

也就是说上图的左半部分的操作全部用的是sparkSQL本身自带的内置SQL解析器解析SQL进行翻译，用到内置元数据信息(比如结构化文件中自带的结构元信息，RDD的schema中的结构元信息)

右半部分则是走的Hive的HQL解析器，还有Hive元数据信息

因此左右两边的API调用的底层类会有不同

 

SQLContext使用：

简单的解析器（scala语言写的sql解析器）【比如：1.在半结构化的文件里面使用sql查询时，是用这个解析器解析的，2.访问（半）结构化文件的时候，通过sqlContext使用schema，类生成Dataframe，然后dataframe注册为表时，registAsTmpTable   然后从这个表里面进行查询时，即使用的简单的解析器，一些hive语法应该是不支持的，有待验证）】

simpleCatalog【此对象中存放关系（表），比如我们指定的schema信息，类的信息，都是关系信息】

HiveContext使用：

HiveQL解析器【支持hive的hql语法，如只有通过HiveContext生成的dataframe才能调用saveAsTable操作】

hiveCatalog（存放数据库和表的元数据信息）

Sparksql的解析与Hiveql的解析的执行流程:

一个Sql语句转化为实际可执行的Spark的RDD模型需要经过以下几个步骤：


主要介绍下Spark-SQL里面的主要类成员：

1.2 SQLContext

SQL上下文环境，它保存了QueryExecution中所需要的几个类：

1.2.1 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

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. @transient  
  2. protected[sql] lazy val catalog: Catalog = new SimpleCatalog(conf)  
  3. class SimpleCatalog(val conf: CatalystConf) extends Catalog {  
  4.   val tables = new mutable.HashMap[String, LogicalPlan]()  
  5.   override def registerTable(  
  6.       tableIdentifier: Seq[String],  
  7.       plan: LogicalPlan): Unit = {  
  8.     //转化大小写  
  9.     val tableIdent = processTableIdentifier(tableIdentifier)  
  10.     tables += ((getDbTableName(tableIdent), plan))  
  11.   }  
  12.   override def unregisterTable(tableIdentifier: Seq[String]): Unit = {  
  13.     val tableIdent = processTableIdentifier(tableIdentifier)  
  14.     tables -= getDbTableName(tableIdent)  
  15.   }  
  16.   override def unregisterAllTables(): Unit = {  
  17.     tables.clear()  
  18.   }  
  19.   override def tableExists(tableIdentifier: Seq[String]): Boolean = {  
  20.     val tableIdent = processTableIdentifier(tableIdentifier)  
  21.     tables.get(getDbTableName(tableIdent)) match {  
  22.       case Some(_) => true  
  23.       case None => false  
  24.     }  
  25.   }  
  26.   override def lookupRelation(  
  27.       tableIdentifier: Seq[String],  
  28.       alias: Option[String] = None): LogicalPlan = {  
  29.     val tableIdent = processTableIdentifier(tableIdentifier)  
  30.     val tableFullName = getDbTableName(tableIdent)  
  31.     //  val tables = new mutable.HashMap[String, LogicalPlan](),根据表名获取logicalplan  
  32.     val table = tables.getOrElse(tableFullName, sys.error(s"Table Not Found: $tableFullName"))  
  33.     val tableWithQualifiers = Subquery(tableIdent.last, table)  
  34.     // If an alias was specified by the lookup, wrap the plan in a subquery so that attributes are  
  35.     // properly qualified with this alias.  
  36.     alias.map(a => Subquery(a, tableWithQualifiers)).getOrElse(tableWithQualifiers)  
  37.   }  
  38.   override def getTables(databaseName: Option[String]): Seq[(String, Boolean)] = {  
  39.     tables.map {  
  40.       case (name, _) => (name, true)  
  41.     }.toSeq  
  42.   }  
  43.   override def refreshTable(databaseName: String, tableName: String): Unit = {  
  44.     throw new UnsupportedOperationException  
  45.   }  
  46. }  

1.2.2 SparkSQLParser

将Sql语句解析成语法树，返回一个Logical Plan。它首先拆分不同的SQL（将其分类），然后利用fallback解析。 

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. /** 
  2.  * The top level Spark SQL parser. This parser recognizes syntaxes that are available for all SQL 
  3.  * dialects supported by Spark SQL, and delegates all the other syntaxes to the `fallback` parser. 
  4.  * 
  5.  * @param fallback A function that parses an input string to a logical plan 
  6.  */  
  7. private[sql] class SparkSQLParser(fallback: String => LogicalPlan) extends AbstractSparkSQLParser {  
  8. protected val AS = Keyword("AS")  
  9. protected val CACHE = Keyword("CACHE")  
  10. protected val CLEAR = Keyword("CLEAR")  
  11. protected val IN = Keyword("IN")  
  12. protected val LAZY = Keyword("LAZY")  
  13. protected val SET = Keyword("SET")  
  14. protected val SHOW = Keyword("SHOW")  
  15. protected val TABLE = Keyword("TABLE")  
  16. protected val TABLES = Keyword("TABLES")  
  17. protected val UNCACHE = Keyword("UNCACHE")  
  18. override protected lazy val start: Parser[LogicalPlan] = cache | uncache | set | show | others  
  19. private lazy val cache: Parser[LogicalPlan] =  
  20.   CACHE ~> LAZY.? ~ (TABLE ~> ident) ~ (AS ~> restInput).? ^^ {  
  21.     case isLazy ~ tableName ~ plan =>  
  22.       CacheTableCommand(tableName, plan.map(fallback), isLazy.isDefined)  
  23.   }  
  24. private lazy val uncache: Parser[LogicalPlan] =  
  25.   ( UNCACHE ~ TABLE ~> ident ^^ {  
  26.       case tableName => UncacheTableCommand(tableName)  
  27.     }  
  28.   | CLEAR ~ CACHE ^^^ ClearCacheCommand  
  29.   )  
  30. private lazy val set: Parser[LogicalPlan] =  
  31.   SET ~> restInput ^^ {  
  32.     case input => SetCommandParser(input)  
  33.   }  
  34. private lazy val show: Parser[LogicalPlan] =  
  35.   SHOW ~> TABLES ~ (IN ~> ident).? ^^ {  
  36.     case _ ~ dbName => ShowTablesCommand(dbName)  
  37.   }  
  38. private lazy val others: Parser[LogicalPlan] =  
  39.   wholeInput ^^ {  
  40.     case input => fallback(input)  
  41.   }  
  42. }  

1.2.3 Analyzer

语法分析器，Analyzer会使用Catalog和FunctionRegistry将UnresolvedAttribute和UnresolvedRelation转换为catalyst里全类型的对象。例如将

'UnresolvedRelation[test], None

转化为

Relation[id#0L,dev_id#1,dev_chnnum#2L,dev_name#3,dev_chnname#4,car_num#5,car_numtype#6,car_numcolor#7,car_speed#8,car_type#9,car_color#10,car_length#11L,car_direct#12,car_way_code#13,cap_time#14L,cap_date#15L,inf_note#16,max_speed#17,min_speed#18,car_img_url#19,car_img1_url#20,car_img2_url#21,car_img3_url#22,car_img4_url#23,car_img5_url#24,rec_stat#25,dev_chnid#26,car_img_count#27,save_flag#28,dc_cleanflag#29,pic_id#30,car_img_plate_top#31L,car_img_plate_left#32L,car_img_plate_bottom#33L,car_img_plate_right#34L,car_brand#35L,issafetybelt#36,isvisor#37,bind_stat#38,car_num_pic#39,combined_pic_url#40,verify_memo#41,rec_stat_tmp#42]org.apache.spark.sql.parquet.ParquetRelation2@2a400010

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. class Analyzer(  
  2.     catalog: Catalog,  
  3.     registry: FunctionRegistry,  
  4.     conf: CatalystConf,  
  5.     maxIterations: Int = 100)  
  6.   extends RuleExecutor[LogicalPlan] with HiveTypeCoercion with CheckAnalysis {  
  7. ……  
  8. }  

1.2.4 Optimizer

优化器，将Logical Plan进一步进行优化

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. object DefaultOptimizer extends Optimizer {  
  2.   val batches =  
  3.     // SubQueries are only needed for analysis and can be removed before execution.  
  4.     Batch("Remove SubQueries", FixedPoint(100),  
  5.       EliminateSubQueries) ::  
  6.     Batch("Operator Reordering", FixedPoint(100),  
  7.       UnionPushdown,  
  8.       CombineFilters,  
  9.       PushPredicateThroughProject,  
  10.       PushPredicateThroughJoin,  
  11.       PushPredicateThroughGenerate,  
  12.       ColumnPruning,  
  13.       ProjectCollapsing,  
  14.       CombineLimits) ::  
  15.     Batch("ConstantFolding", FixedPoint(100),  
  16.     NullPropagation,  
  17.       OptimizeIn,  
  18.       ConstantFolding,  
  19.       LikeSimplification,  
  20.       BooleanSimplification,  
  21.       SimplifyFilters,  
  22.       SimplifyCasts,  
  23.       SimplifyCaseConversionExpressions) ::  
  24.     Batch("Decimal Optimizations", FixedPoint(100),  
  25.       DecimalAggregates) ::  
  26.     Batch("LocalRelation", FixedPoint(100),  
  27.       ConvertToLocalRelation) :: Nil  
  28. }  
 例如:

CombineFilters:递归合并两个相邻的filter。例如：将

Filter(a>1)

 Filter(b>1)

Project……

转化为

Filter(a>1) AND Filter(b>1)

 Project……

CombineLimits:合并两个相邻的limit。例如：将select * from (select * from c_picrecord limit 100)a limit 10

优化为：

Limit if ((100 < 10)) 100 else 10
Relation[id#0L,dev_id#1,dev_chnnum#2L,de……

1.2.5 SparkPlanner

将LogicalPlan转化为SparkPlan

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. protected[sql] class SparkPlanner extends SparkStrategies {  
  2.   val sparkContext: SparkContext = self.sparkContext  
  3.   val sqlContext: SQLContext = self  
  4.   def codegenEnabled: Boolean = self.conf.codegenEnabled  
  5.   def unsafeEnabled: Boolean = self.conf.unsafeEnabled  
  6.   def numPartitions: Int = self.conf.numShufflePartitions  
  7.   def strategies: Seq[Strategy] =  
  8.     experimental.extraStrategies ++ (  
  9.     DataSourceStrategy ::  
  10.     DDLStrategy ::  
  11.     TakeOrdered ::  
  12.     HashAggregation ::  
  13.     LeftSemiJoin ::  
  14.     HashJoin ::  
  15.     InMemoryScans ::  
  16.       ParquetOperations ::  
  17.       BasicOperators ::  
  18.       CartesianProduct ::  
  19.       BroadcastNestedLoopJoin :: Nil)  
  20.  }  

比方说：

Subquery test

Relation[id#0L,dev_id#1,dev_chnnum#2L,dev_name#3,dev_chnname#4,car_num#5,car_numtype#6,car_numcolor#7,car_speed#8,car_type#9,car_color#10,car_length#11L,car_direct#12,car_way_code#13,cap_time#14L,cap_date#15L,inf_note#16,max_speed#17,min_speed#18,car_img_url#19,car_img1_url#20,car_img2_url#21,car_img3_url#22,car_img4_url#23,car_img5_url#24,rec_stat#25,dev_chnid#26,car_img_count#27,save_flag#28,dc_cleanflag#29,pic_id#30,car_img_plate_top#31L,car_img_plate_left#32L,car_img_plate_bottom#33L,car_img_plate_right#34L,car_brand#35L,issafetybelt#36,isvisor#37,bind_stat#38,car_num_pic#39,combined_pic_url#40,verify_memo#41,rec_stat_tmp#42]org.apache.spark.sql.parquet.ParquetRelation2@2a400010

通过DataSourceStrategy中的
[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. // Scanning non-partitioned HadoopFsRelation  
  2. case PhysicalOperation(projectList, filters, l @ LogicalRelation(t: HadoopFsRelation)) =>  
将其转化为
PhysicalRDD

1.2.6 PrepareForExecution

在SparkPlan中插入Shuffle的操作，如果前后2个SparkPlan的outputPartitioning不一样的话，则中间需要插入Shuffle的动作，比分说聚合函数，先局部聚合，然后全局聚合，局部聚合和全局聚合的分区规则是不一样的，中间需要进行一次Shuffle。
[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. /** 
  2.  * Prepares a planned SparkPlan for execution by inserting shuffle operations as needed. 
  3.  */  
  4. @transient  
  5. protected[sql] val prepareForExecution = new RuleExecutor[SparkPlan] {  
  6.   val batches =  
  7.     Batch("Add exchange", Once, EnsureRequirements(self)) :: Nil  
  8. }  
例如

GeneratedAggregate false,[Coalesce(SUM(PartialCount#44L),0) AS count#43L], false

 GeneratedAggregatetrue, [COUNT(1) AS PartialCount#44L], false

    PhysicalRDDMapPartitionsRDD[1]

经过PrepareForExecution，转化为

GeneratedAggregate false,[Coalesce(SUM(PartialCount#44L),0) AS count#43L], false

 Exchange SinglePartition

 GeneratedAggregate true, [COUNT(1) AS PartialCount#44L], false

      PhysicalRDDMapPartitionsRDD[1]

1.3 QueryExecution

SQL语句执行环境

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. protected[sql] class QueryExecution(val logical: LogicalPlan) {//logical包含了Aggregate(groupingExprs, aggregates, df.logicalPlan)  
  2.   def assertAnalyzed(): Unit = analyzer.checkAnalysis(analyzed)  
  3.   lazy val analyzed: LogicalPlan = analyzer.execute(logical)  
  4.   lazy val withCachedData: LogicalPlan = {  
  5.     assertAnalyzed()  
  6.     cacheManager.useCachedData(analyzed)  
  7.   }  
  8.   lazy val optimizedPlan: LogicalPlan = optimizer.execute(withCachedData)//优化过的LogicalPlan  
  9.   // TODO: Don't just pick the first one...  
  10.   lazy val sparkPlan: SparkPlan = {  
  11.     SparkPlan.currentContext.set(self)  
  12.     //SparkPlanner把LogicalPlan转化为SparkPlan  
  13.     //1.4.1选取的是第一个strategies DataSourceStrategy  
  14.     planner.plan(optimizedPlan).next()  
  15.   }  
  16.   lazy val executedPlan: SparkPlan = prepareForExecution.execute(sparkPlan)  
  17.   lazy val toRdd: RDD[Row] = {  
  18.     toString  
  19.     executedPlan.execute()  
  20.   }  
  21.   protected def stringOrError[A](f: => A): String =  
  22.     try f.toString catch { case e: Throwable => e.toString }  
  23.   def simpleString: String =  
  24.     s"""== Physical Plan ==  
  25.        |${stringOrError(executedPlan)}  
  26.     """.stripMargin.trim  
  27.   //TODO:如何打印  
  28.   override def toString: String = {  
  29.     def output =  
  30.       analyzed.output.map(o => s"${o.name}: ${o.dataType.simpleString}").mkString(", ")  
  31.     // TODO previously will output RDD details by run (${stringOrError(toRdd.toDebugString)})  
  32.     // however, the `toRdd` will cause the real execution, which is not what we want.  
  33.     // We need to think about how to avoid the side effect.  
  34.     s"""== Parsed Logical Plan ==  
  35.        |${stringOrError(logical)}  
  36.        |== Analyzed Logical Plan ==  
  37.        |${stringOrError(output)}  
  38.        |${stringOrError(analyzed)}  
  39.        |== Optimized Logical Plan ==  
  40.        |${stringOrError(optimizedPlan)}  
  41.        |== Physical Plan ==  
  42.        |${stringOrError(executedPlan)}  
  43.        |Code Generation: ${stringOrError(executedPlan.codegenEnabled)}  
  44.        |== RDD ==  
  45.     """.stripMargin.trim  
  46.   }  
  47. }  

这里唯一需要注意的是analyzed，optimizedPlan，sparkPlan，executedPlan都为懒变量，也就是说只有真正要用到的时时候才会去执行相应的代码逻辑，没有用到的时候是不会发生任何事情的。

1.4 LogicalPlan and SparkPlan

LogicalPlan和SparkPlan都继承自QueryPlan，QueryPlan为泛型类

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. abstract class QueryPlan[PlanType <: TreeNode[PlanType]] extends TreeNode[PlanType] {  
  2. }  
  3. abstract class LogicalPlan extends QueryPlan[LogicalPlan] with Logging {  
  4. }  
  5. abstract class SparkPlan extends QueryPlan[SparkPlan] with Logging with Serializable {  
  6. }  

以上都为抽象类，然后在此基础上又根据不同的类型衍生出不同的树节点

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. /** 
  2.  * A logical plan node with no children.叶子节点，没有子节点 
  3.  */  
  4. abstract class LeafNode extends LogicalPlan with trees.LeafNode[LogicalPlan] {  
  5.   self: Product =>  
  6. }  
  7. /** 
  8.  * A logical plan node with single child. 一元节点 
  9.  */  
  10. abstract class UnaryNode extends LogicalPlan with trees.UnaryNode[LogicalPlan] {  
  11.   self: Product =>  
  12. }  
  13. /** 
  14.  * A logical plan node with a left and right child 二元节点. 
  15.  */  
  16. abstract class BinaryNode extends LogicalPlan with trees.BinaryNode[LogicalPlan] {  
  17.   self: Product =>  
  18. }  

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. //叶子节点，没有子节点  
  2. private[sql] trait LeafNode extends SparkPlan with trees.LeafNode[SparkPlan] {  
  3.   self: Product =>  
  4. }  
  5. //一元节点  
  6. private[sql] trait UnaryNode extends SparkPlan with trees.UnaryNode[SparkPlan] {  
  7.   self: Product =>  
  8. }  
  9. //二元节点  
  10. private[sql] trait BinaryNode extends SparkPlan with trees.BinaryNode[SparkPlan] {  
  11.   self: Product =>  
  12. }  

其各自真正的具体类为：

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. abstract class LeafNode extends LogicalPlan with trees.LeafNode[LogicalPlan] {  
  2.   self: Product =>  
  3. }  

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. abstract class UnaryNode extends LogicalPlan with trees.UnaryNode[LogicalPlan] {  
  2.   self: Product =>  
  3. }  

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. abstract class BinaryNode extends LogicalPlan with trees.BinaryNode[LogicalPlan] {  
  2.   self: Product =>  
  3. }  

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. private[sql] trait LeafNode extends SparkPlan with trees.LeafNode[SparkPlan] {  
  2.   self: Product =>  
  3. }  

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. private[sql] trait UnaryNode extends SparkPlan with trees.UnaryNode[SparkPlan] {  
  2.   self: Product =>  
  3. }  

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. private[sql] trait BinaryNode extends SparkPlan with trees.BinaryNode[SparkPlan] {  
  2.   self: Product =>  
  3. }  

可见Spark-Sql里面二叉树结构贯穿了整个解析过程。


二. Catalyst

所有的SQL操作最终都通过Catalyst翻译成spark程序代码

三. SparkSQL整体架构（前端+后端）


thriftserver作为一个前端，它其实只是主要分为两大块：

1.维护与用户的JDBC连接

2.通过HiveContext的API提交用户的HQL查询


正因为当初对未来做了太多的憧憬，所以对现在的自己尤其失望。生命中曾经有过的所有灿烂，终究都需要用寂寞来偿还。
【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/candlia/p/11920342.html