小记--------sparksql执行全过程

案例
def main(args: Array[String]): Unit = {
 
    // 1.创建sparkconf
  val conf = new SparkConf()
    .setMaster("local")
    .setAppName("test-sql")
 
 
  // 2.创建sparksession
  val session: SparkSession = SparkSession
    .builder()
    .config(conf)
    .getOrCreate()
 
 
  // 3.创建数据表并读取数据 , 并创建了student的数据表(视图)
    // 读取本地student.json 文件。
  //{"id": 1 , "name" : "Kate" , "age" : 29}
  //{"id": 2 , "name" : "Andy" , "age" : 39}
  //{"id": 3 , "name" : "Tony" , "age" : 10}
  session
    .read
    .json("D:\\daima\\work\\1011\\spark-test-zhonghuashishan\\src\\test\\file\\student.json")
    .createOrReplaceTempView("student")
 
 
  // SQL查询
  session.sql("select name from student where age > 18 ").show()
}

 

 

一般来讲，对于sparkSQL系统，从SQL到spark中的RDD的执行需要经过两个大的阶段、

    逻辑计划（LogicalPlan）

    物理计划（PhysicalPlan）

SQL执行过程概览

 

逻辑计划阶段

    会将用户所写的SQL语句转换成树型数据结构（逻辑算子树），SQL语句中蕴含的逻辑映射到逻辑算子树的不同节点，

    逻辑计划阶段生成的逻辑算子树并不会直接提交执行，仅作为中间阶段。

 

    逻辑算子树的生成过程经历3个子阶段

        1.未解析的逻辑算子树；仅仅是数据结构，不包含任何数据信息等

        2.解析后的逻辑算子树；节点中绑定各种信息

        3.优化后的逻辑算子树；应用各种优化规则对一些低效的逻辑计划进行转换

 

物理计划阶段

    将上一步逻辑计划阶段生成的逻辑算子树进行进一步转换，生成物理算子树。

    物理算子树的节点会直接生成RDD或对RDD进行transformation操作（注：每个物理计划节点中都实现了对RDD进行转换的execute方法）

 

    物理计划阶段的3个子阶段

        1.物理算子树的列表；（注：同样的逻辑算子树可能对应多个物理算子树）

        2.最优物理算子树；从算子树列表中按照一定的策略选取最优的物理算子树，然后对选取的物理算子树进行提交前的准备工作；例如：确保分区操作正确，物理算子树节点重用，执行代码生成等

        3.准备后的物理算子树；对物理算子树生成的RDD执行action操作，即可提交程序

 

SQL语句的解析一直到提交之前，整个转换过程都在spark集群的Driver端进行不涉及分布式环境。

 

 

Catalyst

sparkSQL内部实现流程中平台无关部分的基础框架称为Catalyst，它主要包括InternalRow体系、TreeNode体系和Expression体系。

 

InternalRow体系

    spark SQL 内部实现中，InternalRow就是用来表示一行行数据的类，物理算子树节点产生和转换的RDD类型即为RDD[InternalRow] 。 InternalRow中的每一列都是Catalyst内部定义的数据类型。

 

InternalRow作为一个抽象类，包含numFields和update方法，以及各列数据对应的get与set方法，InternalRow中都是根据下表来访问和操作列元素的。

    其具体的实现包括BaseGenericInternalRow、UnsafeRow和JoinedRow3个直接子类

 

InternalRow体系

 

BaseGenericInternalRow:同样是一个抽象类，实现了InternalRow中定义的所有get类型方法，这些方法的实现都通过调用类中定义的genericGet虚函数进行，该函数的实现在下一级子类中（也就是GenericInternalRow 、 SpecificInternalRow 、 MutbaleUnsafeInternalRow类中）

 

JoinedRow：该类主要用于Join操作，将两个InternalRow放在一起形成新的InternalRow。使用时需要注意构造参数的顺序。

 

UnsafeRow：不采用java对象存储的方式，避免了JVM中垃圾回收（GC）的代价。此外UnsafeRow对行数据进行了特定的编码，使得存储更加高效。

 

BaseGenericInternalRow也有3个子类，分别是GenericInternalRow、SpecificInternalRow和 MutableUnsafeRow类。

    其中MutableUnsafeRow和UnsafeRow相关，用来支持对特定的列数据进行修改。

 

GenericInternalRow类源码

//构造参数是Array[Any]类型，采用对象数组进行底层存储、

// 注意：数组是非拷贝的，因此一但创建，就不允许通过set操作进行改变。

class GenericInternalRow(val values: Array[Any]) extends BaseGenericInternalRow {
  /** No-arg constructor for serialization. */
  protected def this() = this(null)
 
 
  def this(size: Int) = this(new Array[Any](size))
 
// 也是直接根据下表访问的
  override protected def genericGet(ordinal: Int) = values(ordinal)
 
 
  override def toSeq(fieldTypes: Seq[DataType]): Seq[Any] = values.clone()
 
 
  override def numFields: Int = values.length
 
 
  override def setNullAt(i: Int): Unit = { values(i) = null}
 
 
  override def update(i: Int, value: Any): Unit = { values(i) = value }
}

 

 

而SpecificInternalRow则是以Array[MutableValue]为构造参数的，允许通过set操作进行修改。

final class SpecificInternalRow(val values: Array[MutableValue]) extends BaseGenericInternalRow {

 

 

TreeNode体系

    无论是逻辑计划还是物理计划，都离不开中间数据结构，在Catalyst中，对应的是TreeNode体系，TreeNode类是Sparksql中所有树结构的基类，TreeNode内部包含一个Seq[BaseType]类型的变量children来表示节点，TreeNode定义了foreach、map、collect等针对节点操作方法，以及transformUp和transformDown等遍历节点并对匹配节点进行相应转换。

    TreeNode一直在内存里维护，不会dump到磁盘以文件形式存储，且无论在映射逻辑执行计划阶段还是优化逻辑执行计划阶段，树的修改都是以替换已有节点的方式进行。

 

TreeNode体系

 

TreeNode基本操作

除上述操作外，Catalyst中还提供了节点位置功能，即能够根据TreeNode定位到对应的SQL字符串中的行数和起始位置，该功能在SQL解析发生异常时能够方便用户迅速找到出错的地方

// 在TreeNode类中
 
case class Origin(
  line: Option[Int] = None,    // 行号
  startPosition: Option[Int] = None)   // 偏移量
 
object CurrentOrigin {
  private val value = new ThreadLocal[Origin]() {
    override def initialValue: Origin = Origin()
  }
 
 
  def get: Origin = value.get()
  def set(o: Origin): Unit = value.set(o)
 
 
  def reset(): Unit = value.set(Origin())
 
 
  def setPosition(line: Int, start: Int): Unit = {
    value.set(
      value.get.copy(line = Some(line), startPosition = Some(start)))
  }
 
 
  def withOrigin[A](o: Origin)(f: => A): A = {
    set(o)
    val ret = try f finally { reset() }
    ret
  }
}