zoukankan      html  css  js  c++  java

  • 第七篇：Spark SQL 源码分析之Physical Plan 到 RDD的具体实现

     /** Spark SQL源码分析系列文章*/

      接上一篇文章Spark SQL Catalyst源码分析之Physical Plan，本文将介绍Physical Plan的toRDD的具体实现细节：

      我们都知道一段sql，真正的执行是当你调用它的collect()方法才会执行Spark Job，最后计算得到RDD。

    [java] view plain copy
     
    1. lazy val toRdd: RDD[Row] = executedPlan.execute()  

      Spark Plan基本包含4种操作类型，即BasicOperator基本类型，还有就是Join、Aggregate和Sort这种稍复杂的。

      如图：

      

    一、BasicOperator

    1.1、Project

      Project 的大致含义是：传入一系列表达式Seq[NamedExpression]，给定输入的Row，经过Convert（Expression的计算eval）操作，生成一个新的Row。
      Project的实现是调用其child.execute()方法，然后调用mapPartitions对每一个Partition进行操作。
      这个f函数其实是new了一个MutableProjection，然后循环的对每个partition进行Convert。
    [java] view plain copy
     
    1. case class Project(projectList: Seq[NamedExpression], child: SparkPlan) extends UnaryNode {  
    2.   override def output = projectList.map(_.toAttribute)  
    3.   override def execute() = child.execute().mapPartitions { iter => //对每个分区进行f映射  
    4.     @transient val reusableProjection = new MutableProjection(projectList)   
    5.     iter.map(reusableProjection)  
    6.   }  
    7. }  
      通过观察MutableProjection的定义，可以发现，就是bind references to a schema 和 eval的过程：
      将一个Row转换为另一个已经定义好schema column的Row。
      如果输入的Row已经有Schema了，则传入的Seq[Expression]也会bound到当前的Schema。
    [java] view plain copy
     
    1. case class MutableProjection(expressions: Seq[Expression]) extends (Row => Row) {  
    2.   def this(expressions: Seq[Expression], inputSchema: Seq[Attribute]) =  
    3.     this(expressions.map(BindReferences.bindReference(_, inputSchema))) //bound schema  
    4.   
    5.   private[this] val exprArray = expressions.toArray  
    6.   private[this] val mutableRow = new GenericMutableRow(exprArray.size) //新的Row  
    7.   def currentValue: Row = mutableRow  
    8.   def apply(input: Row): Row = {  
    9.     var i = 0  
    10.     while (i < exprArray.length) {  
    11.       mutableRow(i) = exprArray(i).eval(input)  //根据输入的input，即一个Row，计算生成的Row  
    12.       i += 1  
    13.     }  
    14.     mutableRow //返回新的Row  
    15.   }  
    16. }  

    1.2、Filter

     Filter的具体实现是传入的condition进行对input row的eval计算，最后返回的是一个Boolean类型，
     如果表达式计算成功，返回true，则这个分区的这条数据就会保存下来，否则会过滤掉。
    [java] view plain copy
     
    1. case class Filter(condition: Expression, child: SparkPlan) extends UnaryNode {  
    2.   override def output = child.output  
    3.   
    4.   override def execute() = child.execute().mapPartitions { iter =>  
    5.     iter.filter(condition.eval(_).asInstanceOf[Boolean]) //计算表达式 eval(input row)  
    6.   }  
    7. }  

    1.3、Sample

      Sample取样操作其实是调用了child.execute()的结果后，返回的是一个RDD，对这个RDD调用其sample函数，原生方法。
    [java] view plain copy
     
    1. case class Sample(fraction: Double, withReplacement: Boolean, seed: Long, child: SparkPlan)  
    2.   extends UnaryNode  
    3. {  
    4.   override def output = child.output  
    5.   
    6.   // TODO: How to pick seed?  
    7.   override def execute() = child.execute().sample(withReplacement, fraction, seed)  
    8. }  

    1.4、Union

      Union操作支持多个子查询的Union，所以传入的child是一个Seq[SparkPlan]
      execute()方法的实现是对其所有的children，每一个进行execute()，即select查询的结果集合RDD。
      通过调用SparkContext的union方法，将所有子查询的结果合并起来。
    [java] view plain copy
     
    1. case class Union(children: Seq[SparkPlan])(@transient sqlContext: SQLContext) extends SparkPlan {  
    2.   // TODO: attributes output by union should be distinct for nullability purposes  
    3.   override def output = children.head.output  
    4.   override def execute() = sqlContext.sparkContext.union(children.map(_.execute())) //子查询的结果进行union  
    5.   
    6.   override def otherCopyArgs = sqlContext :: Nil  
    7. }  

    1.5、Limit

      Limit操作在RDD的原生API里也有，即take().
      但是Limit的实现分2种情况：
      第一种是 limit作为结尾的操作符，即select xxx from yyy limit zzz。 并且是被executeCollect调用，则直接在driver里使用take方法。
      第二种是 limit不是作为结尾的操作符，即limit后面还有查询，那么就在每个分区调用limit，最后repartition到一个分区来计算global limit.
    [java] view plain copy
     
    1. case class Limit(limit: Int, child: SparkPlan)(@transient sqlContext: SQLContext)  
    2.   extends UnaryNode {  
    3.   // TODO: Implement a partition local limit, and use a strategy to generate the proper limit plan:  
    4.   // partition local limit -> exchange into one partition -> partition local limit again  
    5.   
    6.   override def otherCopyArgs = sqlContext :: Nil  
    7.   
    8.   override def output = child.output  
    9.   
    10.   override def executeCollect() = child.execute().map(_.copy()).take(limit) //直接在driver调用take  
    11.   
    12.   override def execute() = {  
    13.     val rdd = child.execute().mapPartitions { iter =>  
    14.       val mutablePair = new MutablePair[Boolean, Row]()  
    15.       iter.take(limit).map(row => mutablePair.update(false, row)) //每个分区先计算limit  
    16.     }  
    17.     val part = new HashPartitioner(1)  
    18.     val shuffled = new ShuffledRDD[Boolean, Row, Row, MutablePair[Boolean, Row]](rdd, part) //需要shuffle，来repartition  
    19.     shuffled.setSerializer(new SparkSqlSerializer(new SparkConf(false)))  
    20.     shuffled.mapPartitions(_.take(limit).map(_._2)) //最后单独一个partition来take limit  
    21.   }  
    22. }  

    1.6、TakeOrdered

      TakeOrdered是经过排序后的limit N，一般是用在sort by 操作符后的limit。
      可以简单理解为TopN操作符。
    [java] view plain copy
     
    1. case class TakeOrdered(limit: Int, sortOrder: Seq[SortOrder], child: SparkPlan)  
    2.                       (@transient sqlContext: SQLContext) extends UnaryNode {  
    3.   override def otherCopyArgs = sqlContext :: Nil  
    4.   
    5.   override def output = child.output  
    6.   
    7.   @transient  
    8.   lazy val ordering = new RowOrdering(sortOrder) //这里是通过RowOrdering来实现排序的  
    9.   
    10.   override def executeCollect() = child.execute().map(_.copy()).takeOrdered(limit)(ordering)  
    11.   
    12.   // TODO: Terminal split should be implemented differently from non-terminal split.  
    13.   // TODO: Pick num splits based on |limit|.  
    14.   override def execute() = sqlContext.sparkContext.makeRDD(executeCollect(), 1)  
    15. }  

    1.7、Sort

      Sort也是通过RowOrdering这个类来实现排序的，child.execute()对每个分区进行map，每个分区根据RowOrdering的order来进行排序，生成一个新的有序集合。
      也是通过调用Spark RDD的sorted方法来实现的。
    [java] view plain copy
     
    1. case class Sort(  
    2.     sortOrder: Seq[SortOrder],  
    3.     global: Boolean,  
    4.     child: SparkPlan)  
    5.   extends UnaryNode {  
    6.   override def requiredChildDistribution =  
    7.     if (global) OrderedDistribution(sortOrder) :: Nil else UnspecifiedDistribution :: Nil  
    8.   
    9.   @transient  
    10.   lazy val ordering = new RowOrdering(sortOrder) //排序顺序  
    11.   
    12.   override def execute() = attachTree(this, "sort") {  
    13.     // TODO: Optimize sorting operation?  
    14.     child.execute()  
    15.       .mapPartitions(  
    16.         iterator => iterator.map(_.copy()).toArray.sorted(ordering).iterator, //每个分区调用sorted方法，传入<span style="font-family: Arial, Helvetica, sans-serif;">ordering排序规则，进行排序</span>  
    17.         preservesPartitioning = true)  
    18.   }  
    19.   
    20.   override def output = child.output  
    21. }  

    1.8、ExistingRdd

    ExistingRdd是
    [java] view plain copy
     
    1. object ExistingRdd {  
    2.   def convertToCatalyst(a: Any): Any = a match {  
    3.     case o: Option[_] => o.orNull  
    4.     case s: Seq[Any] => s.map(convertToCatalyst)  
    5.     case p: Product => new GenericRow(p.productIterator.map(convertToCatalyst).toArray)  
    6.     case other => other  
    7.   }  
    8.   
    9.   def productToRowRdd[A <: Product](data: RDD[A]): RDD[Row] = {  
    10.     data.mapPartitions { iterator =>  
    11.       if (iterator.isEmpty) {  
    12.         Iterator.empty  
    13.       } else {  
    14.         val bufferedIterator = iterator.buffered  
    15.         val mutableRow = new GenericMutableRow(bufferedIterator.head.productArity)  
    16.   
    17.         bufferedIterator.map { r =>  
    18.           var i = 0  
    19.           while (i < mutableRow.length) {  
    20.             mutableRow(i) = convertToCatalyst(r.productElement(i))  
    21.             i += 1  
    22.           }  
    23.   
    24.           mutableRow  
    25.         }  
    26.       }  
    27.     }  
    28.   }  
    29.   
    30.   def fromProductRdd[A <: Product : TypeTag](productRdd: RDD[A]) = {  
    31.     ExistingRdd(ScalaReflection.attributesFor[A], productToRowRdd(productRdd))  
    32.   }  
    33. }  
     

    二、 Join Related Operators

      HashJoin：

      在讲解Join Related Operator之前，有必要了解一下HashJoin这个位于execution包下的joins.scala文件里的trait。
      Join操作主要包含BroadcastHashJoin、LeftSemiJoinHash、ShuffledHashJoin均实现了HashJoin这个trait.
      主要类图如下:
      
      
      HashJoin这个trait的主要成员有：
      buildSide是左连接还是右连接，有一种基准的意思。
      leftKeys是左孩子的expressions, rightKeys是右孩子的expressions。
      left是左孩子物理计划，right是右孩子物理计划。
      buildSideKeyGenerator是一个Projection是根据传入的Row对象来计算buildSide的Expression的。
      streamSideKeyGenerator是一个MutableProjection是根据传入的Row对象来计算streamSide的Expression的。
      这里buildSide如果是left的话，可以理解为buildSide是左表，那么去连接这个左表的右表就是streamSide。
      
      HashJoin关键的操作是joinIterators，简单来说就是join两个表，把每个表看着Iterators[Row].
      方式：
      1、首先遍历buildSide，计算buildKeys然后利用一个HashMap，形成 (buildKeys, Iterators[Row])的格式。
      2、遍历StreamedSide，计算streamedKey，去HashMap里面去匹配key，来进行join
      3、最后生成一个joinRow，这个将2个row对接。
      见代码注释：
    [java] view plain copy
     
    1. trait HashJoin {  
    2.   val leftKeys: Seq[Expression]  
    3.   val rightKeys: Seq[Expression]  
    4.   val buildSide: BuildSide  
    5.   val left: SparkPlan  
    6.   val right: SparkPlan  
    7.   
    8.   lazy val (buildPlan, streamedPlan) = buildSide match {  //模式匹配，将physical plan封装形成Tuple2，如果是buildLeft，那么就是(left,right)，否则是(right,left)  
    9.     case BuildLeft => (left, right)  
    10.     case BuildRight => (right, left)  
    11.   }  
    12.   
    13.   lazy val (buildKeys, streamedKeys) = buildSide match { //模式匹配，将expression进行封装<span style="font-family: Arial, Helvetica, sans-serif;">Tuple2</span>  
    14.   
    15.     case BuildLeft => (leftKeys, rightKeys)  
    16.     case BuildRight => (rightKeys, leftKeys)  
    17.   }  
    18.   
    19.   def output = left.output ++ right.output  
    20.   
    21.   @transient lazy val buildSideKeyGenerator = new Projection(buildKeys, buildPlan.output) //生成buildSideKey来根据Expression来计算Row返回结果  
    22.   @transient lazy val streamSideKeyGenerator = //<span style="font-family: Arial, Helvetica, sans-serif;">生成</span><span style="font-family: Arial, Helvetica, sans-serif;">streamSideKeyGenerator</span><span style="font-family: Arial, Helvetica, sans-serif;">来根据Expression来计算Row返回结果</span>  
    23.     () => new MutableProjection(streamedKeys, streamedPlan.output)  
    24.   
    25.   def joinIterators(buildIter: Iterator[Row], streamIter: Iterator[Row]): Iterator[Row] = { //把build表的Iterator[Row]和streamIterator[Row]进行join操作返回Join后的Iterator[Row]  
    26.     // TODO: Use Spark's HashMap implementation.  
    27.   
    28.     val hashTable = new java.util.HashMap[Row, ArrayBuffer[Row]]() //匹配主要使用HashMap实现  
    29.     var currentRow: Row = null  
    30.   
    31.     // Create a mapping of buildKeys -> rows   
    32.     while (buildIter.hasNext) { //目前只对build Iterator进行迭代，形成rowKey，Rows，类似wordCount，但是这里不是累加Value，而是Row的集合。  
    33.       currentRow = buildIter.next()  
    34.       val rowKey = buildSideKeyGenerator(currentRow) //计算rowKey作为HashMap的key  
    35.       if(!rowKey.anyNull) {  
    36.         val existingMatchList = hashTable.get(rowKey)  
    37.         val matchList = if (existingMatchList == null) {  
    38.           val newMatchList = new ArrayBuffer[Row]()  
    39.           hashTable.put(rowKey, newMatchList) //(rowKey, matchedRowList)  
    40.           newMatchList  
    41.         } else {  
    42.           existingMatchList  
    43.         }  
    44.         matchList += currentRow.copy() //返回matchList  
    45.       }  
    46.     }  
    47.   
    48.     new Iterator[Row] { //最后用streamedRow的Key来匹配buildSide端的HashMap  
    49.       private[this] var currentStreamedRow: Row = _  
    50.       private[this] var currentHashMatches: ArrayBuffer[Row] = _  
    51.       private[this] var currentMatchPosition: Int = -1  
    52.   
    53.       // Mutable per row objects.  
    54.       private[this] val joinRow = new JoinedRow  
    55.   
    56.       private[this] val joinKeys = streamSideKeyGenerator()  
    57.   
    58.       override final def hasNext: Boolean =  
    59.         (currentMatchPosition != -1 && currentMatchPosition < currentHashMatches.size) ||  
    60.           (streamIter.hasNext && fetchNext())  
    61.   
    62.       override final def next() = {  
    63.         val ret = buildSide match {  
    64.           case BuildRight => joinRow(currentStreamedRow, currentHashMatches(currentMatchPosition)) //右连接的话，streamedRow放左边，匹配到的key的Row放到右表  
    65.           case BuildLeft => joinRow(currentHashMatches(currentMatchPosition), currentStreamedRow) //左连接的话，相反。  
    66.         }  
    67.         currentMatchPosition += 1  
    68.         ret  
    69.       }  
    70.   
    71.       /** 
    72.        * Searches the streamed iterator for the next row that has at least one match in hashtable. 
    73.        * 
    74.        * @return true if the search is successful, and false if the streamed iterator runs out of 
    75.        *         tuples. 
    76.        */  
    77.       private final def fetchNext(): Boolean = {  
    78.         currentHashMatches = null  
    79.         currentMatchPosition = -1  
    80.   
    81.         while (currentHashMatches == null && streamIter.hasNext) {  
    82.           currentStreamedRow = streamIter.next()  
    83.           if (!joinKeys(currentStreamedRow).anyNull) {  
    84.             currentHashMatches = hashTable.get(joinKeys.currentValue) //streamedRow从buildSide里的HashTable里面匹配rowKey  
    85.           }  
    86.         }  
    87.   
    88.         if (currentHashMatches == null) {  
    89.           false  
    90.         } else {  
    91.           currentMatchPosition = 0  
    92.           true  
    93.         }  
    94.       }  
    95.     }  
    96.   }  
    97. }  
    joinRow的实现，实现2个Row对接:
    实际上就是生成一个新的Array，将2个Array合并。
    [java] view plain copy
     
    1. class JoinedRow extends Row {  
    2.   private[this] var row1: Row = _  
    3.   private[this] var row2: Row = _  
    4.   .........  
    5.    def copy() = {  
    6.     val totalSize = row1.size + row2.size   
    7.     val copiedValues = new Array[Any](totalSize)  
    8.     var i = 0  
    9.     while(i < totalSize) {  
    10.       copiedValues(i) = apply(i)  
    11.       i += 1  
    12.     }  
    13.     new GenericRow(copiedValues) //返回一个新的合并后的Row  
    14.   }  

    2.1、LeftSemiJoinHash

     left semi join，不多说了，hive早期版本里替代IN和EXISTS 的版本。
     将右表的join keys放到HashSet里，然后遍历左表，查找左表的join key是否能匹配。
    [java] view plain copy
     
    1. case class LeftSemiJoinHash(  
    2.     leftKeys: Seq[Expression],  
    3.     rightKeys: Seq[Expression],  
    4.     left: SparkPlan,  
    5.     right: SparkPlan) extends BinaryNode with HashJoin {  
    6.   
    7.   val buildSide = BuildRight //buildSide是以右表为基准  
    8.   
    9.   override def requiredChildDistribution =  
    10.     ClusteredDistribution(leftKeys) :: ClusteredDistribution(rightKeys) :: Nil  
    11.   
    12.   override def output = left.output  
    13.   
    14.   def execute() = {  
    15.     buildPlan.execute().zipPartitions(streamedPlan.execute()) { (buildIter, streamIter) => //右表的物理计划执行后生成RDD，利用zipPartitions对Partition进行合并。然后用上述方法实现。  
    16.       val hashSet = new java.util.HashSet[Row]()  
    17.       var currentRow: Row = null  
    18.   
    19.       // Create a Hash set of buildKeys  
    20.       while (buildIter.hasNext) {  
    21.         currentRow = buildIter.next()  
    22.         val rowKey = buildSideKeyGenerator(currentRow)  
    23.         if(!rowKey.anyNull) {  
    24.           val keyExists = hashSet.contains(rowKey)  
    25.           if (!keyExists) {  
    26.             hashSet.add(rowKey)  
    27.           }  
    28.         }  
    29.       }  
    30.   
    31.       val joinKeys = streamSideKeyGenerator()  
    32.       streamIter.filter(current => {  
    33.         !joinKeys(current).anyNull && hashSet.contains(joinKeys.currentValue)  
    34.       })  
    35.     }  
    36.   }  
    37. }  

    2.2、BroadcastHashJoin

     名约： 广播HashJoin，呵呵。
      是InnerHashJoin的实现。这里用到了concurrent并发里的future，异步的广播buildPlan的表执行后的的RDD。
      如果接收到了广播后的表，那么就用streamedPlan来匹配这个广播的表。
      实现是RDD的mapPartitions和HashJoin里的joinIterators最后生成join的结果。
    [java] view plain copy
     
    1. case class BroadcastHashJoin(  
    2.      leftKeys: Seq[Expression],  
    3.      rightKeys: Seq[Expression],  
    4.      buildSide: BuildSide,  
    5.      left: SparkPlan,  
    6.      right: SparkPlan)(@transient sqlContext: SQLContext) extends BinaryNode with HashJoin {  
    7.   
    8.   override def otherCopyArgs = sqlContext :: Nil  
    9.   
    10.   override def outputPartitioning: Partitioning = left.outputPartitioning  
    11.   
    12.   override def requiredChildDistribution =  
    13.     UnspecifiedDistribution :: UnspecifiedDistribution :: Nil  
    14.   
    15.   @transient  
    16.   lazy val broadcastFuture = future {  //利用SparkContext广播表  
    17.     sqlContext.sparkContext.broadcast(buildPlan.executeCollect())  
    18.   }  
    19.   
    20.   def execute() = {  
    21.     val broadcastRelation = Await.result(broadcastFuture, 5.minute)  
    22.   
    23.     streamedPlan.execute().mapPartitions { streamedIter =>  
    24.       joinIterators(broadcastRelation.value.iterator, streamedIter) //调用joinIterators对每个分区map  
    25.     }  
    26.   }  
    27. }  

    2.3、ShuffleHashJoin

    ShuffleHashJoin顾名思义就是需要shuffle数据，outputPartitioning是左孩子的的Partitioning。
    会根据这个Partitioning进行shuffle。然后利用SparkContext里的zipPartitions方法对每个分区进行zip。
    这里的requiredChildDistribution，的是ClusteredDistribution，这个会在HashPartitioning里面进行匹配。
    关于这里面的分区这里不赘述，可以去org.apache.spark.sql.catalyst.plans.physical下的partitioning里面去查看。
    [java] view plain copy
     
    1. case class ShuffledHashJoin(  
    2.     leftKeys: Seq[Expression],  
    3.     rightKeys: Seq[Expression],  
    4.     buildSide: BuildSide,  
    5.     left: SparkPlan,  
    6.     right: SparkPlan) extends BinaryNode with HashJoin {  
    7.   
    8.   override def outputPartitioning: Partitioning = left.outputPartitioning  
    9.   
    10.   override def requiredChildDistribution =  
    11.     ClusteredDistribution(leftKeys) :: ClusteredDistribution(rightKeys) :: Nil  
    12.   
    13.   def execute() = {  
    14.     buildPlan.execute().zipPartitions(streamedPlan.execute()) {  
    15.       (buildIter, streamIter) => joinIterators(buildIter, streamIter)  
    16.     }  
    17.   }  
    18. }  


    未完待续 :)
     

    原创文章，转载请注明：

    转载自：OopsOutOfMemory盛利的Blog，作者： OopsOutOfMemory

    本文链接地址：http://blog.csdn.net/oopsoom/article/details/38274621

    注：本文基于署名-非商业性使用-禁止演绎 2.5 中国大陆(CC BY-NC-ND 2.5 CN)协议，欢迎转载、转发和评论，但是请保留本文作者署名和文章链接。如若需要用于商业目的或者与授权方面的协商，请联系我。

    image

    转自：http://blog.csdn.net/oopsoom/article/details/38274621
  • 相关阅读:
    JS给数字加千位分隔符
    前端防抖与节流实现与应用
    JS实现单向链表、双向链表、循环链表
    单点登录
    AMD、CMD规范
    JS实现全排列
    event loop、进程和线程、任务队列
    BOM属性对象方法
    JS的闭包、高阶函数、柯里化
    for...in、for...of、forEach()有什么区别
  • 原文地址：https://www.cnblogs.com/sh425/p/7596420.html
Copyright © 2011-2022 走看看