sparkSQL的整體實(shí)現(xiàn)框架

這篇博客的目的是讓那些初次接觸sparkSQL框架的童鞋們，希望他們對sparkSQL整體框架有一個(gè)大致的了解，降低他們進(jìn)入spark世界的門檻，避免他們在剛剛接觸sparkSQL時(shí)，不知所措，不知道該學(xué)習(xí)什么，該怎么看。這也是自己工作的一個(gè)總結(jié)，以便以后可以回頭查看。后續(xù)會對sparkSQL進(jìn)行一系列詳細(xì)的介紹。慢慢來吧~~~

1、sql語句的模塊解析

   當(dāng)我們寫一個(gè)查詢語句時(shí)，一般包含三個(gè)部分，select部分，from數(shù)據(jù)源部分，where限制條件部分，這三部分的內(nèi)容在sql中有專門的名稱：

當(dāng)我們寫sql時(shí)，如上圖所示，在進(jìn)行邏輯解析時(shí)會把sql分成三個(gè)部分，project，DataSource，F(xiàn)ilter模塊，當(dāng)生成執(zhí)行部分時(shí)又把他們稱為:Result模塊、

DataSource模塊和Opertion模塊。

那么在關(guān)系數(shù)據(jù)庫中，當(dāng)我們寫完一個(gè)查詢語句進(jìn)行執(zhí)行時(shí)，發(fā)生的過程如下圖所示：

整個(gè)執(zhí)行流程是：query -> Parse -> Bind -> Optimize -> Execute

1、寫完sql查詢語句，sql的查詢引擎首先把我們的查詢語句進(jìn)行解析，也就是Parse過程，解析的過程是把我們寫的查詢語句進(jìn)行分割，把project，DataSource和Filter三個(gè)部分解析出來從而形成一個(gè)邏輯解析tree，在解析的過程中還會檢查我們的sql語法是否有錯(cuò)誤，比如缺少指標(biāo)字段、數(shù)據(jù)庫中不包含這張數(shù)據(jù)表等。當(dāng)發(fā)現(xiàn)有錯(cuò)誤時(shí)立即停止解析，并報(bào)錯(cuò)。當(dāng)順利完成解析時(shí)，會進(jìn)入到Bind過程。

2、Bind過程，通過單詞我們可看出，這個(gè)過程是一個(gè)綁定的過程。為什么需要綁定過程？這個(gè)問題需要我們從軟件實(shí)現(xiàn)的角度去思考，如果讓我們來實(shí)現(xiàn)這個(gè)sql查詢引擎，我們應(yīng)該怎么做？他們采用的策略是首先把sql查詢語句分割，分割不同的部分，再進(jìn)行解析從而形成邏輯解析tree，然后需要知道我們需要取數(shù)據(jù)的數(shù)據(jù)表在哪里，需要哪些字段，執(zhí)行什么邏輯，這些都保存在數(shù)據(jù)庫的數(shù)據(jù)字典中，因此bind過程，其實(shí)就是把Parse過程后形成的邏輯解析tree，與數(shù)據(jù)庫的數(shù)據(jù)字典綁定的過程。綁定后會形成一個(gè)執(zhí)行tree，從而讓程序知道表在哪里，需要什么字段等等

3、完成了Bind過程后，數(shù)據(jù)庫查詢引擎會提供幾個(gè)查詢執(zhí)行計(jì)劃，并且給出了查詢執(zhí)行計(jì)劃的一些統(tǒng)計(jì)信息，既然提供了幾個(gè)執(zhí)行計(jì)劃，那么有比較就有優(yōu)劣，數(shù)據(jù)庫會根據(jù)這些執(zhí)行計(jì)劃的統(tǒng)計(jì)信息選擇一個(gè)最優(yōu)的執(zhí)行計(jì)劃，因此這個(gè)過程是Optimize(優(yōu)化)過程。

4、選擇了一個(gè)最優(yōu)的執(zhí)行計(jì)劃，那么就剩下最后一步執(zhí)行Execute,最后執(zhí)行的過程和我們解析的過程是不一樣的，當(dāng)我們知道執(zhí)行的順序，對我們以后寫sql以及優(yōu)化都是有很大的幫助的.執(zhí)行查詢后，他是先執(zhí)行where部分，然后找到數(shù)據(jù)源之?dāng)?shù)據(jù)表，最后生成select的部分，我們的最終結(jié)果。執(zhí)行的順序是：operation->DataSource->Result

雖然以上部分對sparkSQL沒有什么聯(lián)系，但是知道這些，對我們理解sparkSQL還是很有幫助的。

2、sparkSQL框架的架構(gòu)

要想對這個(gè)框架有一個(gè)清晰的認(rèn)識，首先我們要弄清楚，我們?yōu)槭裁葱枰猻parkSQL呢？個(gè)人建議一般情況下在寫sql能夠直接解決的問題就不要使用sparkSQL，如果想刻意使用sparkSQL，也不一定能夠加快開發(fā)的進(jìn)程。使用sparkSQL是為了解決一般用sql不能解決的復(fù)雜邏輯，使用編程語言的優(yōu)勢來解決問題。我們使用sparkSQL一般的流程如下圖：

如上圖所示，一般情況下分為兩個(gè)部分：a、把數(shù)據(jù)讀入到sparkSQL中，sparkSQL進(jìn)行數(shù)據(jù)處理或者算法實(shí)現(xiàn)，然后再把處理后的數(shù)據(jù)輸出到相應(yīng)的輸出源中。

1、同樣我們也是從如果讓我們開發(fā)，我們應(yīng)該怎么做，需要考慮什么問題來思考這個(gè)問題。

     a、第一個(gè)問題是，數(shù)據(jù)源有幾個(gè)，我們可能從哪些數(shù)據(jù)源讀取數(shù)據(jù)？現(xiàn)在sparkSQL支持很多的數(shù)據(jù)源，比如：hive數(shù)據(jù)倉庫、json文件，.txt，以及orc文件，同時(shí)現(xiàn)在還支持jdbc從關(guān)系數(shù)據(jù)庫中取數(shù)據(jù)。功能很強(qiáng)大。

     b、還一個(gè)需要思考的問題是數(shù)據(jù)類型怎么映射?。课覀冎喇?dāng)我們從一個(gè)數(shù)據(jù)庫表中讀入數(shù)據(jù)時(shí)，我們定義的表結(jié)構(gòu)的字段的類型和編程語言比如scala中的數(shù)據(jù)類型映射關(guān)系是怎 樣的一種映射關(guān)系？在sparkSQL中有一種來解決這個(gè)問題的方法，來實(shí)現(xiàn)數(shù)據(jù)表中的字段類型到編程語言數(shù)據(jù)類型的映射關(guān)系。這個(gè)以后詳細(xì)介紹，先了解有這個(gè)問題就行。

     c、數(shù)據(jù)有了，那么在sparkSQL中我們應(yīng)該怎么組織這些數(shù)據(jù)，需要什么樣的數(shù)據(jù)結(jié)構(gòu)呢，同時(shí)我們對這些數(shù)據(jù)都可以進(jìn)行什么樣的操作？sparkSQL采用的是DataFrame數(shù)據(jù)結(jié)構(gòu)來組織讀入到sparkSQL中的數(shù)據(jù)，DataFrame數(shù)據(jù)結(jié)構(gòu)其實(shí)和數(shù)據(jù)庫的表結(jié)構(gòu)差不多，數(shù)據(jù)是按照行來進(jìn)行存儲，同是還有一個(gè)schema，就相當(dāng)于數(shù)據(jù)庫的表結(jié)構(gòu)，記錄著每一行數(shù)據(jù)屬于哪個(gè)字段。

     d、當(dāng)數(shù)據(jù)處理完以后，我們需要把數(shù)據(jù)放入到什么地方，并切以什么樣的格式進(jìn)行對應(yīng)，這個(gè)a和b要解決的問題是相同的。

2、sparkSQL對于以上問題，的實(shí)現(xiàn)邏輯也很明確，從上圖，已經(jīng)很清楚，主要分為兩個(gè)階段，每個(gè)階段都對應(yīng)一個(gè)具體的類來實(shí)現(xiàn)。

   a、 對于第一個(gè)階段，sparkSQL中存在兩個(gè)類來解決這些問題：HiveContext，SQLContext，同事hiveContext繼承了SQLContext的所有方法，同事又對其進(jìn)行了擴(kuò)展。因?yàn)槲覀冎溃?hive和mysql的查詢還是有一定的差別的。HiveContext只是用來處理從hive數(shù)據(jù)倉庫中讀入數(shù)據(jù)的操作，SQLContext可以處理sparkSQL能夠支持的剩下的所有的數(shù)據(jù)源。這兩個(gè)類處理的粒度是限制在對數(shù)據(jù)的讀寫上，同事對表級別的操作上，比如，讀入數(shù)據(jù)、緩存表、釋放緩存表表、注冊表、刪除注冊的表、返回表的結(jié)構(gòu)等的操作。

  b、sparkSQL處理讀入的數(shù)據(jù)，采用的是DataFrame中提供的方法。因?yàn)楫?dāng)我們把數(shù)據(jù)讀入到sparkSQL中，這個(gè)數(shù)據(jù)就是DataFrame類型的。同時(shí)數(shù)據(jù)都是按照Row進(jìn)行存儲的。其中 DataFrame中提供了很多有用的方法。以后會細(xì)說。

 c、在spark1.6版本以后，又增加了一個(gè)類似于DataFrame的數(shù)據(jù)結(jié)構(gòu)DataSet，增加此數(shù)據(jù)結(jié)構(gòu)的目的DataFrame有軟肋，他只能處理按照Row進(jìn)行存儲的數(shù)據(jù)，并且只能使用DataFrame中提供的方法，我們只能使用一部分RDD提供的操作。實(shí)現(xiàn)DataSet的目的就是讓我們能夠像操作RDD一樣來操作sparkSQL中的數(shù)據(jù)。

d、其中還有一些其他的類，但是現(xiàn)在在sparkSQL中最主要的就是上面的三個(gè)類，其他類以后碰到了會慢慢想清楚。

3、sparkSQL的hiveContext和SQLContext的運(yùn)行原理

     hiveContext和SQLContext與我第一部分講到的sql語句的模塊解析實(shí)現(xiàn)的原理其實(shí)是一樣的，采用了同樣的邏輯過程，并且網(wǎng)上有好多講這一塊的，就直接粘貼復(fù)制啦?。?/p>

  sqlContext總的一個(gè)過程如下圖所示：

1.SQL語句經(jīng)過SqlParse解析成UnresolvedLogicalPlan；

2.使用analyzer結(jié)合數(shù)據(jù)數(shù)據(jù)字典（catalog）進(jìn)行綁定，生成resolvedLogicalPlan；

3.使用optimizer對resolvedLogicalPlan進(jìn)行優(yōu)化，生成optimizedLogicalPlan；

4.使用SparkPlan將LogicalPlan轉(zhuǎn)換成PhysicalPlan；

5.使用prepareForExecution()將PhysicalPlan轉(zhuǎn)換成可執(zhí)行物理計(jì)劃；

6.使用execute()執(zhí)行可執(zhí)行物理計(jì)劃；

7.生成SchemaRDD。

在整個(gè)運(yùn)行過程中涉及到多個(gè)SparkSQL的組件，如SqlParse、analyzer、optimizer、SparkPlan等等

hiveContext總的一個(gè)過程如下圖所示：

1.SQL語句經(jīng)過HiveQl.parseSql解析成Unresolved LogicalPlan，在這個(gè)解析過程中對hiveql語句使用getAst()獲取AST樹，然后再進(jìn)行解析；

2.使用analyzer結(jié)合數(shù)據(jù)hive源數(shù)據(jù)Metastore（新的catalog）進(jìn)行綁定，生成resolved LogicalPlan；

3.使用optimizer對resolved LogicalPlan進(jìn)行優(yōu)化，生成optimized LogicalPlan，優(yōu)化前使用了ExtractPythonUdfs(catalog.PreInsertionCasts(catalog.CreateTables(analyzed)))進(jìn)行預(yù)處理；

4.使用hivePlanner將LogicalPlan轉(zhuǎn)換成PhysicalPlan；

5.使用prepareForExecution()將PhysicalPlan轉(zhuǎn)換成可執(zhí)行物理計(jì)劃；

6.使用execute()執(zhí)行可執(zhí)行物理計(jì)劃；

7.執(zhí)行后，使用map(_.copy)將結(jié)果導(dǎo)入SchemaRDD。