Spark SQL源代码分析之核心流程

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，并且发展速度异常迅猛，究其原因，个人觉得有下面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。这样能够应用于多种任务，流处理，批处理，包含机器学习里都能够引入Sql。

2、效率：由于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。

前一段时间測试过Shark，而且对Spark SQL也进行了一些測试，可是还是忍不住对Spark SQL一探到底，就从源码的角度来看一下Spark
SQL的核心运行流程吧。

一、引子

先来看一段简单的Spark SQL程序：

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)

程序前两句1和2生成SQLContext，导入sqlContext以下的all，也就是执行SparkSQL的上下文环境。

程序3，4两句是载入数据源注冊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运行时，sql才会运行。

二、SQLCOntext

SQLContext是运行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，查找关系的文件夹，注冊表，注销表，查询表和逻辑计划关系的类。

SqlParser

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

Analyzer

logical plan的语法分析器

Optimizer

logical Plan的优化器

LogicalPlan

逻辑计划，由catalyst的TreeNode组成，能够看到有3种语法树

SparkPlanner

包括不同策略的优化策略来优化物理运行计划

QueryExecution

sql运行的环境上下文

就是这些对象组成了Spark SQL的执行时，看起来非常酷，有静态的metadata存储，有分析器、优化器、逻辑计划、物理计划、执行执行时。

那这些对象是怎么相互协作来运行sql语句的呢？

三、Spark SQL运行流程

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，图能达意即可：

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，大致的运行流程是：

Parse SQL -> Analyze Logical Plan -> Optimize Logical Plan -> Generate Physical Plan -> Prepareed Spark Plan -> Execute SQL -> Generate RDD

更详细的运行流程：

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 -> 採用不同Strategies生成spark
plan -> spark plan(prepare) prepared spark plan -> call toRDD（execute（）函数调用）运行sql生成RDD

3.1、Parse SQL

回到開始的程序，我们调用sql函数，事实上是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。

	  /**
   * Executes a SQL query using Spark, returning the result as a SchemaRDD.
   *
   * @group userf
   */
   def sql(sqlText: String): SchemaRDD = new SchemaRDD(this, parseSql(sqlText))

结果是会生成一个逻辑计划

   @transient
  protected[sql] val parser = new catalyst.SqlParser  
 
  protected[sql] def parseSql(sql: String): LogicalPlan = parser(sql)

3.2、Analyze to Execution

当我们调用SchemaRDD里面的collect方法时，则会初始化QueryExecution，開始启动运行。

 override def collect(): Array[Row] = queryExecution.executedPlan.executeCollect()

我们能够非常清晰的看到运行步骤：

protected abstract class QueryExecution {
    def logical: LogicalPlan
 
    lazy val analyzed = analyzer(logical)  //首先分析器会分析逻辑计划
    lazy val optimizedPlan = optimizer(analyzed) //随后优化器去优化分析后的逻辑计划
    // TODO: Don't just pick the first one...
    lazy val sparkPlan = planner(optimizedPlan).next() //依据策略生成plan物理计划
    // executedPlan should not be used to initialize any SparkPlan. It should be
    // only used for execution.
    lazy val executedPlan: SparkPlan = prepareForExecution(sparkPlan) //最后生成已经准备好的Spark Plan
 
    /** Internal version of the RDD. Avoids copies and has no schema */
    lazy val toRdd: RDD[Row] = executedPlan.execute() //最后调用toRDD方法运行任务将结果转换为RDD
 
    protected def stringOrError[A](f: => A): String =
      try f.toString catch { case e: Throwable => e.toString }
 
    def simpleString: String = stringOrError(executedPlan)
 
    override def toString: String =
      s"""== Logical Plan ==
         |${stringOrError(analyzed)}
         |== Optimized Logical Plan ==
         |${stringOrError(optimizedPlan)}
         |== Physical Plan ==
         |${stringOrError(executedPlan)}
      """.stripMargin.trim
  }

至此整个流程结束。

四、总结：

通过分析SQLContext我们知道了Spark SQL都包括了哪些组件，SqlParser,Parser，Analyzer，Optimizer，LogicalPlan，SparkPlanner（包括Physical Plan）,QueryExecution.

通过调试代码，知道了Spark SQL的运行流程：

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 -> 採用不同Strategies生成spark plan -> spark plan(prepare) prepared spark plan -> call toRDD（execute（）函数调用）运行sql生成RDD

随后还会对里面的每一个组件对象进行研究，看看catalyst到底做了哪些优化。

——EOF——

原创文章：转载请注明出自：http://blog.csdn.net/oopsoom/article/details/37658021