sparkSQL1.1入门之二：sparkSQL执行架构

      在介绍sparkSQL之前。我们首先来看看，传统的关系型数据库是怎么执行的。当我们提交了一个非常easy的查询：

SELECT  a1,a2,a3  FROM  tableA  Where  condition 

能够看得出来，该语句是由Projection（a1，a2，a3）、Data Source（tableA）、Filter（condition）组成。分别相应sql查询过程中的Result、Data Source、Operation，也就是说SQL语句按Result-->Data Source-->Operation的次序来描写叙述的。

那么，SQL语句在实际的执行过程中是怎么处理的呢？一般的数据库系统先将读入的SQL语句（Query）先进行解析（Parse）。分辨出SQL语句中哪些词是关键词（如SELECT、FROM、WHERE），哪些是表达式、哪些是Projection、哪些是Data Source等等。这一步就能够推断SQL语句是否规范，不规范就报错，规范就继续下一步过程绑定（Bind），这个过程将SQL语句和数据库的数据字典（列、表、视图等等）进行绑定，假设相关的Projection、Data Source等等都是存在的话，就表示这个SQL语句是能够运行的；而在运行前，一般的数据库会提供几个运行计划，这些计划一般都有运行统计数据。数据库会在这些计划中选择一个最优计划（Optimize）。终于运行该计划（Execute）。并返回结果。当然在实际的运行过程中。是按Operation-->Data Source-->Result的次序来进行的。和SQL语句的次序刚好相反。在执行过程有时候甚至不须要读取物理表就能够返回结果，比方又一次执行刚执行过的SQL语句，可能直接从数据库的缓冲池中获取返回结果。

      以上过程看上去非常easy，但实际上会包括非常多复杂的操作细节在里面。而这些操作细节都和Tree有关。在数据库解析（Parse）SQL语句的时候，会将SQL语句转换成一个树型结构来进行处理，如以下一个查询，会形成一个含有多个节点（TreeNode）的Tree。然后在兴许的处理过程中对该Tree进行一系列的操作。

下图给出了对Tree的一些可能的操作细节，对于Tree的处理过程中所涉及很多其它的细节，能够查看相关的数据库论文。

 OK，上面简介了关系型数据库的执行过程。那么，sparkSQL是不是也採用类似的方式处理呢？答案是肯定的。

以下我们先来看看sparkSQL中的两个重要概念Tree和Rule、然后再介绍一下sparkSQL的两个分支sqlContext和hiveContext、最后再综合看看sparkSQL的优化器Catalyst。

1：Tree和Rule

      sparkSQL对SQL语句的处理和关系型数据库对SQL语句的处理採用了类似的方法，首先会将SQL语句进行解析（Parse）。然后形成一个Tree。在兴许的如绑定、优化等处理过程都是对Tree的操作，而操作的方法是採用Rule。通过模式匹配。对不同类型的节点採用不同的操作。

A：Tree

• Tree的相关代码定义在sql/catalyst/src/main/scala/org/apache/spark/sql/catalyst/trees
• Logical Plans、Expressions、Physical Operators都能够使用Tree表示
• Tree的详细操作是通过TreeNode来实现的
  • sparkSQL定义了catalyst.trees的日志，通过这个日志能够形象的表示出树的结构
  • TreeNode能够使用scala的集合操作方法（如foreach, map, flatMap, collect等）进行操作
  • 有了TreeNode，通过Tree中各个TreeNode之间的关系，能够对Tree进行遍历操作，如使用transformDown、transformUp将Rule应用到给定的树段，然后用结果替代旧的树段；也能够使用transformChildrenDown、transformChildrenUp对一个给定的节点进行操作，通过迭代将Rule应用到该节点以及子节点。

• TreeNode能够细分成三种类型的Node：
  • UnaryNode 一元节点。即仅仅有一个子节点。如Limit、Filter操作
  • BinaryNode 二元节点。即有左右子节点的二叉节点。如Jion、Union操作
  • LeafNode 叶子节点，没有子节点的节点。主要用户命令类操作。如SetCommand

B：Rule

• Rule的相关代码定义在sql/catalyst/src/main/scala/org/apache/spark/sql/catalyst/rules
• Rule在sparkSQL的Analyzer、Optimizer、SparkPlan等各个组件中都有应用到
• Rule是一个抽象类。详细的Rule实现是通过RuleExecutor完毕
• Rule通过定义batch和batchs，能够简便的、模块化地对Tree进行transform操作
• Rule通过定义Once和FixedPoint。能够对Tree进行一次操作或多次操作（如对某些Tree进行多次迭代操作的时候。达到FixedPoint次数迭代或达到前后两次的树结构没变化才停止操作，详细參看RuleExecutor.apply）

      拿个简单的样例，在处理由解析器（SqlParse）生成的LogicPlan Tree的时候，在Analyzer中就定义了多种Rules应用到LogicPlan Tree上。

      应用示意图：

      Analyzer中使用的Rules，定义了batches，由多个batch构成。如MultiInstanceRelations、Resolution、Check Analysis、AnalysisOperators等构成。每一个batch又有不同的rule构成。如Resolution由ResolveReferences 、ResolveRelations、ResolveSortReferences 、NewRelationInstances等构成；每一个rule又有自己相相应的处理函数。能够详细參看Analyzer中的ResolveReferences 、ResolveRelations、ResolveSortReferences 、NewRelationInstances函数；同一时候要注意的是，不同的rule应用次数是不同的：如CaseInsensitiveAttributeReferences这个batch中rule仅仅应用了一次（Once），而Resolution这个batch中的rule应用了多次（fixedPoint = FixedPoint(100)，也就是说最多应用100次。除非前后迭代结果一致退出）。

在整个sql语句的处理过程中，Tree和Rule相互配合。完毕了解析、绑定（在sparkSQL中称为Analysis）、优化、物理计划等过程，终于生成能够运行的物理计划。

知道了sparkSQL的各个过程的基本处理方式。以下来看看sparkSQL的执行过程。

sparkSQL有两个分支，sqlContext和hivecontext，sqlContext如今仅仅支持sql语法解析器（SQL-92语法）。hiveContext如今支持sql语法解析器和hivesql语法解析器。默觉得hivesql语法解析器，用户能够通过配置切换成sql语法解析器，来执行hiveql不支持的语法，如select 1。关于sqlContext和hiveContext的详细应用请參看第六部分。

2：sqlContext的执行过程

      sqlContext是使用sqlContext.sql（sqlText）来提交用户sql语句：

/**源自sql/core/src/main/scala/org/apache/spark/sql/SQLContext.scala  */
  def sql(sqlText: String): SchemaRDD = {
    if (dialect == "sql") {
      new SchemaRDD(this, parseSql(sqlText))   //parseSql(sqlText)对sql语句进行语法解析
    } else {
      sys.error(s"Unsupported SQL dialect: $dialect")
    }
  }

sqlContext.sql的返回结果是SchemaRDD。调用了new SchemaRDD(this, parseSql(sqlText)) 来对sql语句进行处理。处理之前先使用catalyst.SqlParser对sql语句进行语法解析，使之生成Unresolved LogicalPlan。

/**源自sql/core/src/main/scala/org/apache/spark/sql/SQLContext.scala  */
  protected[sql] val parser = new catalyst.SqlParser
  protected[sql] def parseSql(sql: String): LogicalPlan = parser(sql)

类SchemaRDD继承自SchemaRDDLike

/**源自sql/core/src/main/scala/org/apache/spark/sql/SchemaRDD.scala  */
class SchemaRDD(
    @transient val sqlContext: SQLContext,
    @transient val baseLogicalPlan: LogicalPlan)
  extends RDD[Row](sqlContext.sparkContext, Nil) with SchemaRDDLike

SchemaRDDLike中调用sqlContext.executePlan(baseLogicalPlan)来运行catalyst.SqlParser解析后生成Unresolved LogicalPlan，这里的baseLogicalPlan就是指Unresolved LogicalPlan。

/**源自sql/core/src/main/scala/org/apache/spark/sql/SchemaRDDLike.scala  */
private[sql] trait SchemaRDDLike {
  @transient val sqlContext: SQLContext
  @transient val baseLogicalPlan: LogicalPlan
  private[sql] def baseSchemaRDD: SchemaRDD

  lazy val queryExecution = sqlContext.executePlan(baseLogicalPlan)

sqlContext.executePlan做了什么呢？它调用了QueryExecution类

/**源自sql/core/src/main/scala/org/apache/spark/sql/SQLContext.scala  */
protected[sql] def executePlan(plan: LogicalPlan): this.QueryExecution =
    new this.QueryExecution { val logical = plan }

QueryExecution类的定义：

/**源自sql/core/src/main/scala/org/apache/spark/sql/SQLContext.scala  */
protected abstract class QueryExecution {
    def logical: LogicalPlan
   
    //对Unresolved LogicalPlan进行analyzer。生成resolved LogicalPlan
    lazy val analyzed = ExtractPythonUdfs(analyzer(logical))    
    //对resolved LogicalPlan进行optimizer，生成optimized LogicalPlan
    lazy val optimizedPlan = optimizer(analyzed)  
    // 将optimized LogicalPlan转换成PhysicalPlan
    lazy val sparkPlan = {
      SparkPlan.currentContext.set(self)
      planner(optimizedPlan).next()
    }
    // PhysicalPlan运行前的准备工作，生成可运行的物理计划
    lazy val executedPlan: SparkPlan = prepareForExecution(sparkPlan)

    //运行可运行物理计划
    lazy val toRdd: RDD[Row] = executedPlan.execute()

    ......
  }

sqlContext总的一个步骤例如以下图所看到的：

1. SQL语句经过SqlParse解析成UnresolvedLogicalPlan。
2. 使用analyzer结合数据数据字典（catalog）进行绑定，生成resolvedLogicalPlan；
3. 使用optimizer对resolvedLogicalPlan进行优化，生成optimizedLogicalPlan；
4. 使用SparkPlan将LogicalPlan转换成PhysicalPlan。
5. 使用prepareForExecution()将PhysicalPlan转换成可运行物理计划。
6. 使用execute()运行可运行物理计划；
7. 生成SchemaRDD。

在整个执行过程中涉及到多个sparkSQL的组件。如SqlParse、analyzer、optimizer、SparkPlan等等，其功能和实如今下一章节中具体解释。

3：hiveContext的执行过程

      在分布式系统中。因为历史原因，非常多数据已经定义了hive的元数据，通过这些hive元数据。sparkSQL使用hiveContext非常easy实现对这些数据的訪问。值得注意的是hiveContext继承自sqlContext，所以在hiveContext的的执行过程中除了override的函数和变量。能够使用和sqlContext一样的函数和变量。

      从sparkSQL1.1開始。hiveContext使用hiveContext.sql（sqlText）来提交用户sql语句进行查询：

/**源自sql/hive/src/main/scala/org/apache/spark/sql/hive/HiveContext.scala  */
override def sql(sqlText: String): SchemaRDD = {
    // 使用spark.sql.dialect定义採用的语法解析器
    if (dialect == "sql") {
      super.sql(sqlText)    //假设使用sql解析器。则使用sqlContext的sql方法
    } else if (dialect == "hiveql") {     //假设使用和hiveql解析器，则使用HiveQl.parseSql
      new SchemaRDD(this, HiveQl.parseSql(sqlText))
    }  else {
      sys.error(s"Unsupported SQL dialect: $dialect.  Try 'sql' or 'hiveql'")
    }
  }

hiveContext.sql首先依据用户的语法设置（spark.sql.dialect）决定详细的运行过程，假设dialect == "sql"则採用sqlContext的sql语法运行过程；假设是dialect == "hiveql"，则採用hiveql语法运行过程。在这里我们主要看看hiveql语法运行过程。能够看出，hiveContext.sql调用了new SchemaRDD(this, HiveQl.parseSql(sqlText))对hiveql语句进行处理，处理之前先使用对语句进行语法解析。

/**源自src/main/scala/org/apache/spark/sql/hive/HiveQl.scala  */
  /** Returns a LogicalPlan for a given HiveQL string. */
  def parseSql(sql: String): LogicalPlan = {
    try {
      if (条件)   {
      //非hive命令的处理，如set、cache table、add jar等直接转化成command类型的LogicalPlan
      .....  
      } else {
        val tree = getAst(sql)
        if (nativeCommands contains tree.getText) {
          NativeCommand(sql)
        } else {
          nodeToPlan(tree) match {
            case NativePlaceholder => NativeCommand(sql)
            case other => other
          }
        }
      }
    } catch {
      //异常处理
      ......
    }
  }

由于sparkSQL所支持的hiveql除了兼容hive语句外，还兼容一些sparkSQL本身的语句，所以在HiveQl.parseSql对hiveql语句语法解析的时候：

• 首先考虑一些非hive语句的处理，这些命令属于sparkSQL本身的命令语句，如设置sparkSQL执行參数的set命令、cache table、add jar等，将这些语句转换成command类型的LogicalPlan；
• 假设是hive语句，则调用getAst(sql)使用hive的ParseUtils将该语句先解析成AST树，然后依据AST树中的keyword进行转换：类似命令型的语句、DDL类型的语句转换成command类型的LogicalPlan；其它的转换通过nodeToPlan转换成LogicalPlan。

/**源自src/main/scala/org/apache/spark/sql/hive/HiveQl.scala  */  
/** * Returns the AST for the given SQL string.    */
  def getAst(sql: String): ASTNode = ParseUtils.findRootNonNullToken((new ParseDriver).parse(sql))

和sqlContext一样。类SchemaRDD继承自SchemaRDDLike。SchemaRDDLike调用sqlContext.executePlan(baseLogicalPlan)，只是hiveContext重写了executePlan()函数：

/**源自sql/hive/src/main/scala/org/apache/spark/sql/hive/HiveContext.scala  */ 
override protected[sql] def executePlan(plan: LogicalPlan): this.QueryExecution =
    new this.QueryExecution { val logical = plan }

并使用了一个继承自sqlContext.QueryExecution的新的QueryExecution类：

/**源自sql/hive/src/main/scala/org/apache/spark/sql/hive/HiveContext.scala  */
 protected[sql] abstract class QueryExecution extends super.QueryExecution {
    // TODO: Create mixin for the analyzer instead of overriding things here.
    override lazy val optimizedPlan =
      optimizer(ExtractPythonUdfs(catalog.PreInsertionCasts(catalog.CreateTables(analyzed))))

    override lazy val toRdd: RDD[Row] = executedPlan.execute().map(_.copy())
    ......
  }

所以在hiveContext的执行过程基本和sqlContext一致。除了override的catalog、functionRegistry、analyzer、planner、optimizedPlan、toRdd。

hiveContext的catalog。是指向 Hive Metastore：

/**源自sql/hive/src/main/scala/org/apache/spark/sql/hive/HiveContext.scala  */
/* A catalyst metadata catalog that points to the Hive Metastore. */
  @transient
  override protected[sql] lazy val catalog = new HiveMetastoreCatalog(this) with OverrideCatalog {
    override def lookupRelation(
      databaseName: Option[String],
      tableName: String,
      alias: Option[String] = None): LogicalPlan = {

      LowerCaseSchema(super.lookupRelation(databaseName, tableName, alias))
    }
  }

hiveContext的analyzer。使用了新的catalog和functionRegistry：

/**源自sql/hive/src/main/scala/org/apache/spark/sql/hive/HiveContext.scala  */
  /* An analyzer that uses the Hive metastore. */
  @transient
  override protected[sql] lazy val analyzer =
    new Analyzer(catalog, functionRegistry, caseSensitive = false)

hiveContext的planner，使用新定义的hivePlanner：

/**源自sql/hive/src/main/scala/org/apache/spark/sql/hive/HiveContext.scala  */
  @transient
  override protected[sql] val planner = hivePlanner

所以hiveContext总的一个步骤例如以下图所看到的：

1. SQL语句经过HiveQl.parseSql解析成Unresolved LogicalPlan，在这个解析过程中对hiveql语句使用getAst()获取AST树，然后再进行解析。
2. 使用analyzer结合数据hive源数据Metastore（新的catalog）进行绑定。生成resolved LogicalPlan；
3. 使用optimizer对resolved LogicalPlan进行优化，生成optimized LogicalPlan，优化前使用了ExtractPythonUdfs(catalog.PreInsertionCasts(catalog.CreateTables(analyzed)))进行预处理；
4. 使用hivePlanner将LogicalPlan转换成PhysicalPlan；
5. 使用prepareForExecution()将PhysicalPlan转换成可运行物理计划；
6. 使用execute()运行可运行物理计划。
7. 运行后，使用map(_.copy)将结果导入SchemaRDD。

hiveContxt还有非常多针对hive的特性，更细节的内容參看源代码。

 

4：catalyst优化器

      sparkSQL1.1整体上由四个模块组成：core、catalyst、hive、hive-Thriftserver：

• core处理数据的输入输出，从不同的数据源获取数据（RDD、Parquet、json等），将查询结果输出成schemaRDD；
• catalyst处理查询语句的整个处理过程，包含解析、绑定、优化、物理计划等，说其是优化器，还不如说是查询引擎；
• hive对hive数据的处理
• hive-ThriftServer提供CLI和JDBC/ODBC接口

      在这四个模块中，catalyst处于最核心的部分，其性能优劣将影响总体的性能。因为发展时间尚短，还有非常多不足的地方，但其插件式的设计。为未来的发展留下了非常大的空间。以下是catalyst的一个设计图：

 当中虚线部分是以后版本号要实现的功能，实线部分是已经实现的功能。

从上图看，catalyst基本的实现组件有：

• sqlParse。完毕sql语句的语法解析功能，眼下仅仅提供了一个简单的sql解析器；
• Analyzer，主要完毕绑定工作，将不同来源的Unresolved LogicalPlan和数据元数据（如hive metastore、Schema catalog）进行绑定。生成resolved LogicalPlan；
• optimizer对resolved LogicalPlan进行优化，生成optimized LogicalPlan。
• Planner将LogicalPlan转换成PhysicalPlan；
• CostModel，主要依据过去的性能统计数据。选择最佳的物理运行计划

这些组件的基本实现方法：

• 先将sql语句通过解析生成Tree，然后在不同阶段使用不同的Rule应用到Tree上。通过转换完毕各个组件的功能。
• Analyzer使用Analysis Rules，配合数据元数据（如hive metastore、Schema catalog），完好Unresolved LogicalPlan的属性而转换成resolved LogicalPlan；
• optimizer使用Optimization Rules，对resolved LogicalPlan进行合并、列裁剪、过滤器下推等优化作业而转换成optimized LogicalPlan。
• Planner使用Planning Strategies，对optimized LogicalPlan

关于本篇中涉及到的相关概念和组件在下篇再具体介绍。