是時候?qū)W習(xí)真正的 spark 技術(shù)了

cdn.xitu.io/2018/11/21/1673560dca70a6b7?w=1433&h=534&f=jpeg&s=309760">?
?
spark sql 可以說是 spark 中的精華部分了，我感覺整體復(fù)雜度是 spark streaming 的 5 倍以上，現(xiàn)在 spark 官方主推 structed streaming， spark streaming ?維護(hù)的也不積極了， 我們基于 spark 來構(gòu)建大數(shù)據(jù)計(jì)算任務(wù)，重心也要向 DataSet 轉(zhuǎn)移，原來基于 RDD 寫的代碼遷移過來，好處是非常大的，尤其是在性能方面，有質(zhì)的提升， ?spark sql 中的各種內(nèi)嵌的性能優(yōu)化是比人裸寫 RDD 遵守各種所謂的最佳實(shí)踐更靠譜的，尤其對新手來講, 比如有些最佳實(shí)踐講到先 filter 操作再 map 操作，這種 spark sql 中會自動進(jìn)行謂詞下推，比如盡量避免使用 shuffle 操作，spark sql 中如果你開啟了相關(guān)的配置，會自動使用 broadcast join 來廣播小表，把 shuffle join 轉(zhuǎn)化為 map join 等等，真的能讓我們省很多心。?
?
spark sql 的代碼復(fù)雜度是問題的本質(zhì)復(fù)雜度帶來的，spark sql 中的?Catalyst 框架大部分邏輯是在一個 Tree 類型的數(shù)據(jù)結(jié)構(gòu)上做各種折騰，基于 scala 來實(shí)現(xiàn)還是很優(yōu)雅的，scala 的偏函數(shù)和強(qiáng)大的 Case 正則匹配，讓整個代碼看起來還是清晰的, 這篇文章簡單的描述下 spark sql 中的一些機(jī)制和概念。
?
SparkSession 是我們編寫 spark 應(yīng)用代碼的入口，啟動一個 spark-shell 會提供給你一個創(chuàng)建 SparkSession， 這個對象是整個 spark 應(yīng)用的起始點(diǎn)，我們來看下 sparkSession 的一些重要的變量和方法：
?
?
?
上面提到的 sessionState 是一個很關(guān)鍵的東西，維護(hù)了當(dāng)前 session 使用的所有的狀態(tài)數(shù)據(jù)，有以下各種需要維護(hù)的東西：
?
?
?
spark sql 內(nèi)部使用 dataFrame 和 Dataset 來表示一個數(shù)據(jù)集合，然后你可以在這個數(shù)據(jù)集合上應(yīng)用各種統(tǒng)計(jì)函數(shù)和算子，有人可能對 ?DataFrame 和 Dataset 分不太清，其實(shí)?DataFrame 就是一種類型為 Row 的 DataSet，
?
type?DataFrame?=?Dataset[Row]
?
這里說的 Row 類型在 Spark sql 對外暴露的 API 層面來說的， 然而 DataSet 并不要求輸入類型為 Row，也可以是一種強(qiáng)類型的數(shù)據(jù)，DataSet 底層處理的數(shù)據(jù)類型為 Catalyst 內(nèi)部?InternalRow?或者 UnsafeRow?類型, 背后有一個?Encoder 進(jìn)行隱式轉(zhuǎn)換，把你輸入的數(shù)據(jù)轉(zhuǎn)換為內(nèi)部的?InternalRow，那么這樣推論，DataFrame 就對應(yīng) RowEncoder。
?
在?Dataset 上進(jìn)行?transformations 操作就會生成一個元素為 LogicalPlan 類型的樹形結(jié)構(gòu), 我們來舉個例子，假如我有一張學(xué)生表，一張分?jǐn)?shù)表，需求是統(tǒng)計(jì)所有大于 11 歲的學(xué)生的總分。
?
?
?
?
這個?queryExecution 就是整個執(zhí)行計(jì)劃的執(zhí)行引擎, 里面有執(zhí)行過程中，各個中間過程變量，整個執(zhí)行流程如下
?
?
?
那么我們上面例子中的 sql 語句經(jīng)過 Parser 解析后就會變成一個抽象語法樹，對應(yīng)解析后的邏輯計(jì)劃 AST 為
?
?
?
形象一點(diǎn)用圖來表示
?
?
?
我們可以看到過濾條件變?yōu)榱?Filter 節(jié)點(diǎn)，這個節(jié)點(diǎn)是 UnaryNode 類型， 也就是只有一個孩子，兩個表中的數(shù)據(jù)變?yōu)榱?UnresolvedRelation 節(jié)點(diǎn)，這個節(jié)點(diǎn)是?LeafNode 類型， 顧名思義，葉子節(jié)點(diǎn)， JOIN 操作就表位了 Join 節(jié)點(diǎn)， 這個是一個?BinaryNode 節(jié)點(diǎn)，有兩個孩子。
?
上面說的這些節(jié)點(diǎn)都是 LogicalPlan 類型的， 可以理解為進(jìn)行各種操作的 Operator， spark sql 對應(yīng)各種操作定義了各種 Operator。
?
?
?
這些 operator 組成的抽象語法樹就是整個 Catatyst 優(yōu)化的基礎(chǔ)，Catatyst 優(yōu)化器會在這個樹上面進(jìn)行各種折騰，把樹上面的節(jié)點(diǎn)挪來挪去來進(jìn)行優(yōu)化。
?
現(xiàn)在經(jīng)過 Parser 有了抽象語法樹，但是并不知道 score，sum 這些東西是啥，所以就需要 analyer 來定位,?analyzer 會把 AST 上所有 Unresolved 的東西都轉(zhuǎn)變?yōu)?resolved 狀態(tài)，sparksql 有很多resolve 規(guī)則，都很好理解，例如 ResolverRelations 就是解析表（列）的基本類型等信息，ResolveFuncions 就是解析出來函數(shù)的基本信息，比如例子中的sum 函數(shù)，ResolveReferences 可能不太好理解，我們在 sql 語句中使用的字段比如 Select name 中的 name 對應(yīng)一個變量， 這個變量在解析表的時候就作為一個變量（Attribute 類型）存在了，那么 Select 對應(yīng)的 Project 節(jié)點(diǎn)中對應(yīng)的相同的變量就變成了一個引用，他們有相同的 ID，所以經(jīng)過 ResolveReferences 處理后，就變成了?AttributeReference 類型???，保證在最后真正加載數(shù)據(jù)的時候他們被賦予相同的值，就跟我們寫代碼的時候定義一個變量一樣，這些 Rule 就反復(fù)作用在節(jié)點(diǎn)上，指定樹節(jié)點(diǎn)趨于穩(wěn)定，當(dāng)然優(yōu)化的次數(shù)多了會浪費(fèi)性能，所以有的 rule??作用 Once， 有的 rule 作用 FixedPoint， 這都是要取舍的。好了，?不說廢話，我們做個小實(shí)驗(yàn)。
?
?
?
我們使用?ResolverRelations 對我們的 AST 進(jìn)行解析，解析后可以看到原來的?UnresolvedRelation 變成了 LocalRelation，這個表示一個本地內(nèi)存中的表，這個表是我們使用 createOrReplaceTempView 的時候注冊在 catalog 中的，這個 relove 操作無非就是在 catalog 中查表，找出這個表的 schema，?而且解析出來相應(yīng)的字段，把外層用戶定義的 各個 StructField 轉(zhuǎn)變?yōu)?AttibuteReference，使用 ID 進(jìn)行了標(biāo)記。
?
?
?
我們再使用?ResolveReferences 來搞一下，你會發(fā)現(xiàn)上層節(jié)點(diǎn)中的相同的字段都變成了擁有相同 ID 的引用，他們的類型都是?AttibuteReference。最終所有的 rule 都應(yīng)用后，整個 AST 就變?yōu)榱?
?
?
?
下面重點(diǎn)來了，要進(jìn)行邏輯優(yōu)化了，我們看下邏輯優(yōu)化有哪些：
?
?
?

sparksql 中的邏輯優(yōu)化種類繁多，spark sql 中的?Catalyst 框架大部分邏輯是在一個 Tree 類型的數(shù)據(jù)結(jié)構(gòu)上做各種折騰，基于 scala 來實(shí)現(xiàn)還是很優(yōu)雅的，scala 的偏函數(shù) 和 強(qiáng)大的 Case 正則匹配，讓整個代碼看起來還是清晰的，廢話少說，我們來搞個小實(shí)驗(yàn)。
?
?
?
看到了沒，把我的 （100 + 10） 換成了 110。
?
?
?
使用?PushPredicateThroughJoin 把一個單單對 stu 表做過濾的 Filter 給下推到 Join 之前了，會少加載很多數(shù)據(jù)，性能得到了優(yōu)化，我們來看下最終的樣子。
?
?
?
至少用了?ColumnPruning，PushPredicateThroughJoin，ConstantFolding，RemoveRedundantAliases 邏輯優(yōu)化手段，現(xiàn)在我的小樹變成了：
?

?
做完邏輯優(yōu)化，畢竟只是抽象的邏輯層，還需要先轉(zhuǎn)換為物理執(zhí)行計(jì)劃，將邏輯上可行的執(zhí)行計(jì)劃變?yōu)?Spark 可以真正執(zhí)行的計(jì)劃。
?
?
?
spark sql 把邏輯節(jié)點(diǎn)轉(zhuǎn)換為了相應(yīng)的物理節(jié)點(diǎn)，?比如 Join 算子，Spark 根據(jù)不同場景為該算子制定了不同的算法策略，有BroadcastHashJoin、ShuffleHashJoin 以及 SortMergeJoin 等， 當(dāng)然這里面有很多優(yōu)化的點(diǎn)，spark 在轉(zhuǎn)換的時候會根據(jù)一些統(tǒng)計(jì)數(shù)據(jù)來智能選擇，這就涉及到基于代價的優(yōu)化，這也是很大的一塊，后面可以開一篇文章單講， 我們例子中的由于數(shù)據(jù)量小于 10M， 自動就轉(zhuǎn)為了?BroadcastHashJoin，眼尖的同學(xué)可以看到好像多了一些節(jié)點(diǎn)，我們來解釋下，?BroadcastExchange 節(jié)點(diǎn)繼承 Exchage 類，用來在節(jié)點(diǎn)間交換數(shù)據(jù)，這里的BroadcastExchange 就是會把 LocalTableScan出來的數(shù)據(jù) broadcast 到每個 executor 節(jié)點(diǎn)，用來做 map-side join。最后的 Aggregate 操作被分為了兩步，第一步先進(jìn)行并行聚合，然后對聚合后的結(jié)果，再進(jìn)行 Final 聚合，這個就類似域名 map-reduce? 里面的 combine 和最后的 reduce， 中間加上了一個?Exchange hashpartitioning， 這個是為了保證相同的 key shuffle 到相同的分區(qū)，當(dāng)前物理計(jì)劃的 Child 輸出數(shù)據(jù)的 Distribution 達(dá)不到要求的時候需要進(jìn)行Shuffle，這個是在最后的?EnsureRequirement 階段插入的交換數(shù)據(jù)節(jié)點(diǎn)，在數(shù)據(jù)庫領(lǐng)域里面，有那么一句話，叫得 join 者得天下，我們重點(diǎn)講一些 spark sql 在 join 操作的時候做的一些取舍。
?
Join 操作基本上能上會把兩張 Join 的表分為大表和小表，大表作為流式遍歷表，小表作為查找表，然后對大表中的每一條記錄，根據(jù) Key 來取查找表中取相同 Key 的記錄。
?
spark 支持所有類型的 Join：
?
?
?
spark sql 中 join 操作根據(jù)各種條件選擇不同的 join 策略，分為?BroadcastHashJoin，?SortMergeJoin， ShuffleHashJoin。
?

• BroadcastHashJoin：spark 如果判斷一張表存儲空間小于 broadcast 閾值時（Spark 中使用參數(shù) spark.sql.autoBroadcastJoinThreshold 來控制選擇 BroadcastHashJoin 的閾值，默認(rèn)是 10MB），就是把小表廣播到 Executor， 然后把小表放在一個 hash 表中作為查找表，通過一個 map 操作就可以完成 join 操作了，避免了性能代碼比較大的 shuffle 操作，不過要注意，?BroadcastHashJoin 不支持 full outer join， 對于?right outer join， broadcast 左表，對于 left outer join，left semi join，left anti join ，broadcast 右表，?對于 inner join，那個表小就 broadcast 哪個。?
  ?
• SortMergeJoin：如果兩個表的數(shù)據(jù)都很大，比較適合使用 SortMergeJoin，??SortMergeJoin 使用shuffle 操作把相同 key 的記錄 shuffle 到一個分區(qū)里面，然后兩張表都是已經(jīng)排過序的，進(jìn)行 sort merge 操作，代價也可以接受。?
  ?
• ShuffleHashJoin：就是在 shuffle 過程中不排序了，把查找表放在hash表中來進(jìn)行查找 join，那什么時候會進(jìn)行?ShuffleHashJoin 呢？查找表的大小不能超過?spark.sql.autoBroadcastJoinThreshold 值，不然就使用 ?BroadcastHashJoin 了，每個分區(qū)的平均大小不能超過 ??spark.sql.autoBroadcastJoinThreshold ，這樣保證查找表可以放在內(nèi)存中不 OOM， 還有一個條件是 大表是小表的 3 倍以上，這樣才能發(fā)揮這種 Join 的好處。?
  ?
  上面提到 AST 上面的節(jié)點(diǎn)已經(jīng)轉(zhuǎn)換為了物理節(jié)點(diǎn)，這些物理節(jié)點(diǎn)最終從頭節(jié)點(diǎn)遞歸調(diào)用 execute 方法，里面會在 child 生成的 RDD 上調(diào)用 transform操作就會產(chǎn)生一個串起來的 RDD 鏈， 就跟在 spark stremaing 里面在 DStream 上面遞歸調(diào)用那樣。最后執(zhí)行出來的圖如下：?
  ?
  ?
  ?

可以看到這個最終執(zhí)行的時候分分成了兩個 stage， 把小表 broeadcastExechage 到了大表上做?BroadcastHashJoin， 沒有進(jìn)化 shuffle 操作，然后最后一步聚合的時候，先在 map 段進(jìn)行了一次 HashAggregate sum 函數(shù)， 然后 Exchage 操作根據(jù) name 把相同 key 的數(shù)據(jù) shuffle 到同一個分區(qū)，然后做最終的 HashAggregate sum?操作，這里有個 WholeStageCodegen 比較奇怪，這個是干啥的呢，因?yàn)槲覀冊趫?zhí)行 Filter ，Project 這些 operator 的時候，這些 operator 內(nèi)部包含很多? Expression， 比如?SELECT sum(v),name， 這里的 sum 和 v 都是 Expression，這里面的 v 屬于 Attribute 變量表達(dá)式，表達(dá)式也是樹形數(shù)據(jù)結(jié)構(gòu)，sum(v) ?就是 sum 節(jié)點(diǎn)和 sum 的子節(jié)點(diǎn) v 組成的一個樹形結(jié)構(gòu)，這些表達(dá)式都是可以求值和生成代碼的，表達(dá)式最基本的功能就是求值，對輸入的 Row 進(jìn)行計(jì)算 ， Expression 需要實(shí)現(xiàn)?def eval(input: InternalRow = null): Any?函數(shù)來實(shí)現(xiàn)它的功能。
?
表達(dá)式是對 Row 進(jìn)行加工，輸出的可以是任意類型，但是 Project 和 Filter 這些 Plan 輸出的類型是?def output: Seq[Attribute]， 這個就是代表一組變量，比如我們例子中的?Filter (age >= 11) 這個plan， 里面的?age>11 就是一個表達(dá)式，這個 > 表達(dá)式依賴兩個子節(jié)點(diǎn)， 一個Literal常量表達(dá)式求值出來就是 11， 另外一個是?Attribute 變量表達(dá)式 age， 這個變量在 analyze 階段轉(zhuǎn)變?yōu)榱?AttributeReference 類型，但是它是Unevaluable，為了獲取屬性在輸入 Row 中對應(yīng)的值， 還得根據(jù) schema 關(guān)聯(lián)綁定一下這個變量在一行數(shù)據(jù)的 index， 生成 BoundReference，然后?BoundReference 這種表達(dá)式在 eval 的時候就可以根據(jù) index 來獲取 Row 中的值。??age>11 這個表達(dá)式最終輸出類型為 boolean 類型，但是 Filter 這個 Plan 輸出類型是?Seq[Attribute] 類型。
?
可以想象到，數(shù)據(jù)在一個一個的 plan 中流轉(zhuǎn)，然后每個 plan 里面表達(dá)式都會對數(shù)據(jù)進(jìn)行處理，就相當(dāng)于經(jīng)過了一個個小函數(shù)的調(diào)用處理，這里面就有大量的函數(shù)調(diào)用開銷，那么我們是不是可以把這些小函數(shù)內(nèi)聯(lián)一下，當(dāng)成一個大函數(shù)，WholeStageCodegen 就是干這事的。
?
?

可以看到最終執(zhí)行計(jì)劃每個節(jié)點(diǎn)前面有個 * 號，說明整段代碼生成被啟用，在我們的例子中，F(xiàn)ilter， Project，BroadcastHashJoin，Project，HashAggregate 這一段都啟用了整段代碼生成,級聯(lián)為了兩個大函數(shù)，有興趣可以使用 a.queryExecution.debug.codegen 看下生成后的代碼長什么樣子。然而 Exchange 算子并沒有實(shí)現(xiàn)整段代碼生成，因?yàn)樗枰ㄟ^網(wǎng)絡(luò)發(fā)送數(shù)據(jù)。
?
我今天的分享就到這里，其實(shí) spark sql 里面有很多有意思的東西，但是因?yàn)閱栴}的本質(zhì)復(fù)雜度，導(dǎo)致需要高度抽象才能把這一切理順，這樣就給代碼閱讀者帶來了理解困難， 但是你如果真正看進(jìn)去了，就會有很多收獲。如果對本文有任何見解，歡迎在文末留言說出你的想法。??
**牛人說**
?
「牛人說」專欄致力于技術(shù)人思想的發(fā)現(xiàn)，其中包括技術(shù)實(shí)踐、技術(shù)干貨、技術(shù)見解、成長心得，還有一切值得被發(fā)現(xiàn)的內(nèi)容。我們希望集合最優(yōu)秀的技術(shù)人，挖掘獨(dú)到、犀利、具有時代感的聲音。
?
投稿郵箱：marketing@qiniu.com
br/>??
**牛人說**
?
「牛人說」專欄致力于技術(shù)人思想的發(fā)現(xiàn)，其中包括技術(shù)實(shí)踐、技術(shù)干貨、技術(shù)見解、成長心得，還有一切值得被發(fā)現(xiàn)的內(nèi)容。我們希望集合最優(yōu)秀的技術(shù)人，挖掘獨(dú)到、犀利、具有時代感的聲音。
?
投稿郵箱：marketing@qiniu.com
?
?