累吗？累就对了，舒服是留给死人的...

.....说人好比盆中鲜花，生活就是一团乱麻，房屋修的再好那只是个临时住所，这个小盒才是你永久的家呀！
  博客园  :: 首页  :: 新随笔  :: 联系 :: 订阅 订阅  :: 管理

第十篇：Spark SQL 源码分析之 In-Memory Columnar Storage源码分析之 query

Posted on 2017-09-26 13:57  Aaron-Mhs  阅读(873)  评论(0)  编辑  收藏  举报

/** Spark SQL源码分析系列文章*/

    前面讲到了Spark SQL In-Memory Columnar Storage的存储结构是基于列存储的。

    那么基于以上存储结构，我们查询cache在jvm内的数据又是如何查询的，本文将揭示查询In-Memory Data的方式。

一、引子

本例使用hive console里查询cache后的src表。
select value from src

当我们将src表cache到了内存后，再次查询src，可以通过analyzed执行计划来观察内部调用。

即parse后，会形成InMemoryRelation结点，最后执行物理计划时，会调用InMemoryColumnarTableScan这个结点的方法。

如下：

 

[java] view plain copy
 
  1. scala> val exe = executePlan(sql("select value from src").queryExecution.analyzed)  
  2. 14/09/26 10:30:26 INFO parse.ParseDriver: Parsing command: select value from src  
  3. 14/09/26 10:30:26 INFO parse.ParseDriver: Parse Completed  
  4. exe: org.apache.spark.sql.hive.test.TestHive.QueryExecution =   
  5. == Parsed Logical Plan ==  
  6. Project [value#5]  
  7.  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)  
  8.   
  9. == Analyzed Logical Plan ==  
  10. Project [value#5]  
  11.  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)  
  12.   
  13. == Optimized Logical Plan ==  
  14. Project [value#5]  
  15.  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)  
  16.   
  17. == Physical Plan ==  
  18. InMemoryColumnarTableScan [value#5], (InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)) //查询内存中表的入口  
  19.   
  20. Code Generation: false  
  21. == RDD ==  

 

二、InMemoryColumnarTableScan

InMemoryColumnarTableScan是Catalyst里的一个叶子结点，包含了要查询的attributes，和InMemoryRelation（封装了我们缓存的In-Columnar Storage数据结构）。
执行叶子节点，出发execute方法对内存数据进行查询。
1、查询时，调用InMemoryRelation，对其封装的内存数据结构的每个分区进行操作。
2、获取要请求的attributes，如上，查询请求的是src表的value属性。
3、根据目的查询表达式，来获取在对应存储结构中，请求列的index索引。
4、通过ColumnAccessor来对每个buffer进行访问，获取对应查询数据，并封装为Row对象返回。

 

[java] view plain copy
 
  1. private[sql] case class InMemoryColumnarTableScan(  
  2.     attributes: Seq[Attribute],  
  3.     relation: InMemoryRelation)  
  4.   extends LeafNode {  
  5.   
  6.   
  7.   override def output: Seq[Attribute] = attributes  
  8.   
  9.   
  10.   override def execute() = {  
  11.     relation.cachedColumnBuffers.mapPartitions { iterator =>  
  12.       // Find the ordinals of the requested columns.  If none are requested, use the first.  
  13.       val requestedColumns = if (attributes.isEmpty) {  
  14.         Seq(0)  
  15.       } else {  
  16.         attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId)) //根据表达式exprId找出对应列的ByteBuffer的索引  
  17.       }  
  18.   
  19.   
  20.       iterator  
  21.         .map(batch => requestedColumns.map(batch(_)).map(ColumnAccessor(_)))//根据索引取得对应请求列的ByteBuffer，并封装为ColumnAccessor。  
  22.         .flatMap { columnAccessors =>  
  23.           val nextRow = new GenericMutableRow(columnAccessors.length) //Row的长度  
  24.           new Iterator[Row] {  
  25.             override def next() = {  
  26.               var i = 0  
  27.               while (i < nextRow.length) {  
  28.                 columnAccessors(i).extractTo(nextRow, i) //根据对应index和长度，从byterbuffer里取得值，封装到row里  
  29.                 i += 1  
  30.               }  
  31.               nextRow  
  32.             }  
  33.   
  34.   
  35.             override def hasNext = columnAccessors.head.hasNext  
  36.           }  
  37.         }  
  38.     }  
  39.   }  
  40. }  

 

查询请求的列，如下：

[java] view plain copy
 
  1. scala> exe.optimizedPlan  
  2. res93: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   
  3. Project [value#5]  
  4.  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)  
  5.   
  6.   
  7. scala> val relation =  exe.optimizedPlan(1)  
  8. relation: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   
  9. InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)  
  10.   
  11.   
  12. scala> val request_relation = exe.executedPlan  
  13. request_relation: org.apache.spark.sql.execution.SparkPlan =   
  14. InMemoryColumnarTableScan [value#5], (InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None))  
  15.   
  16.   
  17. scala> request_relation.output //请求的列，我们请求的只有value列  
  18. res95: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(value#5)  
  19.   
  20. scala> relation.output //默认保存在relation中的所有列  
  21. res96: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(key#4, value#5)  
  22.   
  23.   
  24. scala> val attributes = request_relation.output   
  25. attributes: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(value#5)  



整个流程很简洁，关键步骤是第三步。根据ExprId来查找到，请求列的索引
attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId))

 

[java] view plain copy
 
  1. //根据exprId找出对应ID  
  2. scala> val attr_index = attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId))  
  3. attr_index: Seq[Int] = ArrayBuffer(1) //找到请求的列value的索引是1, 我们查询就从Index为1的bytebuffer中，请求数据  
  4.   
  5. scala> relation.output.foreach(e=>println(e.exprId))  
  6. ExprId(4)    //对应<span style="font-family: Arial, Helvetica, sans-serif;">[key#4,value#5]</span>  
  7. ExprId(5)  
  8.   
  9. scala> request_relation.output.foreach(e=>println(e.exprId))  
  10. ExprId(5)  

三、ColumnAccessor

ColumnAccessor对应每一种类型，类图如下：

最后返回一个新的迭代器：

 

[java] view plain copy
 
  1. new Iterator[Row] {  
  2.   override def next() = {  
  3.     var i = 0  
  4.     while (i < nextRow.length) { //请求列的长度  
  5.       columnAccessors(i).extractTo(nextRow, i)//调用columnType.setField(row, ordinal, extractSingle(buffer))解析buffer  
  6.       i += 1  
  7.     }  
  8.     nextRow//返回解析后的row  
  9.   }  
  10.   
  11.   override def hasNext = columnAccessors.head.hasNext  
  12. }  

 

四、总结

 

    Spark SQL In-Memory Columnar Storage的查询相对来说还是比较简单的，其查询思想主要和存储的数据结构有关。

    即存储时，按每列放到一个bytebuffer,形成一个bytebuffer数组。

    查询时，根据请求列的exprId查找到上述数组的索引，然后使用ColumnAccessor对buffer中字段进行解析，最后封装为Row对象，返回。

——EOF——

 

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/39577419

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/39577419