SparkSQL内核解析之逻辑计划

SparkSQL逻辑计划概述

逻辑计划阶段被定义为LogicalPlan类，主要有三个阶段：

1. 由SparkSqlParser中的AstBuilder将语法树的各个节点转换为对应LogicalPlan节点，组成未解析的逻辑算子树，不包含数据信息与列信息
2. 由Analyzer将一系列规则作用在未解析逻辑算子树上，生成解析后的逻辑算子树
3. 有Optimizer将一系列优化规则应用在逻辑算子树中，确保结果正确的前提下改进低效结构，生成优化后的逻辑算子树

LogicalPlan简介

概述

LogicalPlan的父类QueryPlan主要分为六个模块： – 输入输出 涉及QueryPlan内属性相关的输入输出 – 基本属性 QueryPlan内的基本属性 – 字符串 主要用于打印QueryPlan的树形结构信息 – 规范化 类似Expression中的规范化 – 表达式操作 – 约束 本质上也是数据过滤条件的一种，同样是表达式类型。通过显式的过滤条件推导约束

基本操作和分类

• LeafNode 主要对应数据表和命令相关逻辑。
  • RunnableCommand 直接运行的命令 包括相关Database相关，Table相关，View相关，DDL相关，Function和Resource相关命令
• UnaryNode 常见与对数据的逻辑转换操作，如过滤等
  • 用来重定义分区操作(RedistributeData) 主要针对现有分区和排序的特定不满足的场景
  • 脚本相关的转换操作(ScriptTransformation) 用特定脚本对输入数据进行转换
  • Object相关操作(ObjectConsumer)
  • 常见操作算子(basicLogicalOperators) 涉及Project，Filter，Sort等各种常见关系算子
• BinaryNode 常见于对数据的组合关联操作
  • 连接（Join）
  • 集合
  • CoGroup
• 其他类型
  • Union 是一系列LoginPlan列表
  • ObjectProducer 用于产生只包含Object列的行数据
  • EventTimeWatermark 针对Spark Streaming中的水印机制

AstBuilder机制：Unresolved LogicalPlan生成

从visitSingleStatement为入口从根部递归访问整棵树，当访问到某个子节点可以构造LogicalPlan时，然后传递到父节点；执行到QuerySpecificationContext时，首先访问FromClauseContext子树，生成from的LogicalPlan，然后调用withQuerySpecification在from的基础上完成扩展

从访问QuerySpecificationContext开始，主要分为以下三个步骤

1. 生成数据表对应的LogicalPlan：访问FromClauseContext直到匹配TableNameContext节点时，根据其中的数据信息生成UnresolvedRelation，并跳出递归，构造名为from的LogicalPlan
2. 生成加入了过滤逻辑的LogicalPlan：对BooleanDefaultContext进行递归，生成对应的expression并返回作为过滤条件，然后基于此生成Filter LogicalPlanjiedian ，并与(1)中的UnresolvedRelation构造withFilter的LogicalPlan
3. 生成加入列剪裁后的LogicalPlan：获取QuerySpecificationContext节点所包含的NamedExpressionSeqContext成员，并对其所有子节点表达式进行转换，生成NameExpression列表，然后生成Project LogicalPlan，并与(2)中的withFilter构造withProject的LogicalPlan

Analyzed LogicalPlan生成

Sql经过AstBuilder的处理得到的 未解析逻辑算子树 主要由UnresolvedRelation 和UnresolvedAttribute两个对象组成。Analyzer主要作用就是将这两种对象or表达式解析为有类型的对象

Catalog体系分析

Catalog通常理解为一个容器或数据库命名空间中的一个层次，在Spark中主要用于各种函数资源和元数据的统一管理。

• GlobalTempViewManager 是线程安全类，进行跨Session的视图管理，提供对全局视图的增删改查等，主要依赖一个mutable类型的HashMap来对视图名和数据源进行映射
• FunctionResourceLoader 用来加载用户自定义函数和Hive中的各种函数（以Jar包或文件类型提供）
• FunctionRegistry 用来实现函数注册，查找和删除功能。采用Map结构注册
• ExternalCatalog 用来管理数据库，数据表，分区和函数的接口，目标是与外部系统交互并做到上述内容的非临时存储
• Catalog内部还包括一个mutable类型的HashMap来管理临时表信息，以及currentDb成员来指代当前操作对应的数据库名（use db; )

Rule体系

对逻辑算子树的操作（绑定，解析，优化等）主要都是基于规则的，通过Scala的语言模式匹配进行树结构转换或节点改写。由RuleExecutor来调用规则，所有涉及树形结构转换过程的都继承自RuleExecutor[TreeType] 抽象类。

RuleExecutor内部提供一个Seq[Batch]定义了改RuleExecutor的处理步骤，每个Batch代表一套规则；RuleExecutor.apply(TreeType plan)会按照batches和batches内Rule的顺序对传入的plan内的节点进行迭代处理

Analyzed LogicalPlan生成过程

Analyzer执行过程会调用ReluExecutor实现的run方法，默认定义了6个Batch（Spark2.1）：

• Batch Substitution 节点替换操作
  • CTESubstitution 对应With语句，主要用于SQL子查询模块化，将多个LogicalPlan合并成一个
  • WindowsSubstitution 匹配WithWindowDefinition表达式，将未解析的窗口表达式转换成窗口函数表达式
  • EliminateUnions 当Union算子节点只有一个子节点时，将Union替换为children.head节点
  • SubstituteUnresolvedOrdinals 用于支持Spark2.0开始支持的使用常数来表示列下表的特性，将下表替换为UnresolvedOrdinal表达式
• BatchResolution 最常用的解析规则，包含了数据源，数据类型等操作。

• Batch Nondeterministic => PullOutNondeterministic 将LogicalPlan中非Project和非Filter 的不确定表达式提取出来，然后放到内层或最终的Project算子中
• Batch UDF => HandleNullInputsForUDF 对用户自定义函数进行一定处理，HandleNullInputsForUDF用来处理输入数据为Null的情况，自上而下遍历表达式，匹配到ScalaUDF类型表达式时，会创建IF表达式进行Null的检查
• Batch FixNullability => FixNullability 用来统一设定LogicalPlan中表达式的nullable属性
• Batch Cleanup => CleanupAliases 用来删除LogicalPlan中无用的别名信息

Analuzed LogicalPlan详细步骤

1. 匹配ResolveRelations规则，从SessionCatalog中查表，并获取分析后的LogicalPlan，并插入一个别名节点
2. 分析Filter节点中的age信息，但由于常数18还未经分析，因此Filter节点依旧是未分析状态（以单引号开头）
3. 对表达式中的数据类型进行隐式转换，将18转换为bigint类型，此时Filter节点依旧是已分析状态
4. 再次匹配ResolveReferences规则，对Project节点中的进行name解析，此时整个Analyzed LogicalPlan就生成了

优化器Optimizer

Analyzed LogicalPlan基本是未解析的逻辑算子树一对一转换来的，存在很多低效的写法，需要进行优化

优化器概述&规则体系

与Analyzed类似，Optimizer也主要依赖一系列规则，并在RuleExecutor执行execute方法是利用这些规则Batch。

SparkOptimizer中共实现了16个Batch（Spark2.1）：

• Batch Finish Analysis 更多是为了得到正确的结果而不是优化
  • EliminateSubqueryAliases 消除子查询别名，对应SubqueryAlias节点
  • ReplaceExpression 表达式替换，替换RuntimeReplaceable的表达式，通常用来对其他类型数据库的支持
  • ComputeCurrentTime 计算一次时间函数表达式，并将其他相同的函数替换成计算结果
  • GetCurrentDatabase 执行CurrentDatabase并获得结果，替换所有获取数据库的表达式
  • RewriteDistinctAggregates 重写Distinct聚合，将其转换为两个常规聚合表达式
• BatchUnion => CombineUnions 当相邻节点都是Union算子时，合并为一个Union节点
• Batch Subquery => OptimizeSubqueries 当SQL语句包含子查询时，在逻辑算子树上遇到SubqueryExpression表达式会进一步递归调用Optimizer对子查询计划进行优化
• BatchReplaceOperator 主要执行算子（集合类型的操作算子）的替换操作，避免进行重复的逻辑转换
  • ReplaceIntersectWithSemiJoin 将Intersect算子替换为Left-Semi Join算子，两者逻辑上是等价的
  • ReplaceExceptWithAntiJoin 将Except算子替换为Left-Anti Join算子
  • ReplaceDistinctWithAggregate 将distinct转换为Aggregate语句，将Select distinct转换为Groupby
• Batch Aggregate 处理集合算子中的逻辑
  • RemoveLiteralFromGroupExpression 删除GroupBy中的常数，如果全是常数则替换为0
  • RemoveRepetitionFromGroupExpression 删除重复的Groupby表达式
• Batch Operator Optimizations 包含了最多最常用(31)的各种优化规则，分为以下几类
  • 算子下推：将上层的算子下推，减少后续处理的数据量
  • 算子结合：将能组合的算子尽量组合，避免多次计算
  • 常量折叠和长度削减：对涉及常量的节点在执行前就完成运算

• BatchCheckCartesianProducts => CheckCartesianProducts 监测算子树中是否有笛卡尔积，如果没有用crossJoin显式使用，则抛出异常（除非’spark.sql.crossJoin.enable’设置为true）
• BatchDecinalOptimizations => DecimalAggregates 用于处理跟Decimal类型相关的问题，如精度固定等
• BatchTypedFilterOptimization => CombineTypedFilters 对特定情况下的过滤条件进行合并
• BatchLocalRelation 优化与LocalRelation相关的逻辑算子树
  • ConvertToLocalRelation 将LocalRelation上的本地操作转换为另一个LocalRelation
  • PropagateEmptyRelation 将包含空的LocalRelation进行折叠
• BatchOptimizeCodegen => OptimizeCodegen 对生成的代码进行优化，主要针对case when语句
• BatchRewriteSubquery 主要优化子查询
  • RewritePredicateSubquery 将特定子查询为此逻辑转换为left-semi/anti joincaozuo
  • CollapseProject 将两个相邻的Project算子结合并进行别名替换
• BatchOptimizeMetadataOnlyQuery => OptimizeMetadataOnlyQuery 用来优化只需查找分区级别元数据的语句，要求扫描的所有列都是分区列且包含聚合算子（表达式是分区列or有Distinct算子or有无Distinct算子不影响结果）
• BatchExtractPythonUDFfromAggregate => ExtractPythonUDFFromAggregate 用来提取出聚合操作中的Python UDF函数，在聚合完成后再执行
• BatchPruneFileSourceTablePartitions => PruneFileSourcePartitions 对数据文件中的分区进行剪裁操作，并尽可能把过滤算子下推到存储层
• BatchUserProvidedOptimizers => ExperimentalMethods.extraOptimizations 用于满足用户自定义优化规则

Optimized LogicalPlan的生成过程

1. 直接删除无用的SubqueryAlias节点，Filter直接作用于Relation
2. 对过滤节点进行分析，添加非空约束（来自Filter中的约束信息）
3. 对可以折叠的表达式直接进行静态计算，并用结果替换表达式(直接执行类型转换)

最终优化后的逻辑算子树会作为生成物理算子树过程的输入，进入下一个阶段。