[新星计划]通过扩展 Spark SQL ，打造自己的大数据分析引擎

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

override def parsePlan(sqlText: String): LogicalPlan = {

val logicalPlan = parser.parsePlan(sqlText)

logicalPlan transform {

case project @ Project(projectList, _) =>

projectList.foreach {

name =>

if (name.isInstanceOf[UnresolvedStar]) {

throw new RuntimeException(“You must specify your project column set,” +

" * is not allowed.")

}

}

project

}

logicalPlan

}

​

/**

• Parse a string to an [[Expression]].

*/

override def parseExpression(sqlText: String): Expression = parser.parseExpression(sqlText)

​

/**

• Parse a string to a [[TableIdentifier]].

*/

override def parseTableIdentifier(sqlText: String): TableIdentifier =

parser.parseTableIdentifier(sqlText)

​

/**

• Parse a string to a [[FunctionIdentifier]].

*/

override def parseFunctionIdentifier(sqlText: String): FunctionIdentifier =

parser.parseFunctionIdentifier(sqlText)

​

/**

• Parse a string to a [[StructType]]. The passed SQL string should be a comma separated

• list of field definitions which will preserve the correct Hive metadata.

*/

override def parseTableSchema(sqlText: String): StructType =

parser.parseTableSchema(sqlText)

​

/**

• Parse a string to a [[DataType]].

*/

override def parseDataType(sqlText: String): DataType = parser.parseDataType(sqlText)

}

接下来，我们测试一下

package wang.datahub.parser

​

import org.apache.spark.sql.{SparkSession, SparkSessionExtensions}

import org.apache.spark.sql.catalyst.parser.ParserInterface

​

object MyParserApp {

def main(args: Array[String]): Unit = {

System.setProperty(“hadoop.home.dir”,“E:\devlop\envs\hadoop-common-2.2.0-bin-master”);

type ParserBuilder = (SparkSession, ParserInterface) => ParserInterface

type ExtensionsBuilder = SparkSessionExtensions => Unit

val parserBuilder: ParserBuilder = (_, parser) => new MyParser(parser)

val extBuilder: ExtensionsBuilder = { e => e.injectParser(parserBuilder)}

val spark =  SparkSession

.builder()

.appName(“Spark SQL basic example”)

.config(“spark.master”, “local[*]”)

.withExtensions(extBuilder)

.getOrCreate()

​

spark.sparkContext.setLogLevel(“ERROR”)

​

import spark.implicits._

​

val df = Seq(

( “First Value”,1, java.sql.Date.valueOf(“2010-01-01”)),

( “First Value”,4, java.sql.Date.valueOf(“2010-01-01”)),

(“Second Value”,2,  java.sql.Date.valueOf(“2010-02-01”)),

(“Second Value”,9,  java.sql.Date.valueOf(“2010-02-01”))

).toDF(“name”, “score”, “date_column”)

df.createTempView(“p”)

​

//   val df = spark.read.json(“examples/src/main/resources/people.json”)

//   df.toDF().write.saveAsTable(“person”)

//,javg(score)

​

// custom parser

//   spark.sql("select * from p ").show

​

spark.sql(“select * from p”).show()

}

}

​

下面是执行结果，符合我们的预期。

扩展优化器

=====

接下来，我们来扩展优化器，砖厂提供了很多默认的RBO，这里可以方便的构建我们自己的优化规则，本例中我们构建一套比较奇怪的规则，而且是完全不等价的，这里只是为了说明。

针对字段+0的操作，规则如下：

1. 如果0出现在+左边，则直接将字段变成右表达式，即 0+nr 等效为 nr

2. 如果0出现在+右边，则将0变成3，即 nr+0 变成 nr+3

3. 如果没出现0，则表达式不变

下面是代码：

package wang.datahub.optimizer

​

import org.apache.spark.sql.SparkSession

import org.apache.spark.sql.catalyst.expressions.{Add, Expression, Literal}

import org.apache.spark.sql.catalyst.plans.logical.LogicalPlan

import org.apache.spark.sql.catalyst.rules.Rule

​

object MyOptimizer extends Rule[LogicalPlan] {

​

def apply(logicalPlan: LogicalPlan): LogicalPlan = {

logicalPlan.transformAllExpressions {

case Add(left, right) => {

println(“this this my add optimizer”)

if (isStaticAdd(left)) {

right

} else if (isStaticAdd(right)) {

Add(left, Literal(3L))

} else {

Add(left, right)

}

}

}

}

​

private def isStaticAdd(expression: Expression): Boolean = {

expression.isInstanceOf[Literal] && expression.asInstanceOf[Literal].toString == “0”

}

​

def main(args: Array[String]): Unit = {

System.setProperty(“hadoop.home.dir”,“E:\devlop\envs\hadoop-common-2.2.0-bin-master”);

val testSparkSession: SparkSession = SparkSession.builder().appName(“Extra optimization rules”)

.master(“local[*]”)

.withExtensions(extensions => {

extensions.injectOptimizerRule(session => MyOptimizer)

})

.getOrCreate()

​

testSparkSession.sparkContext.setLogLevel(“ERROR”)

​

import testSparkSession.implicits._

testSparkSession.experimental.extraOptimizations = Seq()

Seq(-1, -2, -3).toDF(“nr”).write.mode(“overwrite”).json(“./test_nrs”)

//   val optimizedResult = testSparkSession.read.json(“./test_nrs”).selectExpr(“nr + 0”)

testSparkSession.read.json(“./test_nrs”).createTempView(“p”)

​

var sql = “select nr+0 from p”;

var t = testSparkSession.sql(sql)

println(t.queryExecution.optimizedPlan)

println(sql)

t.show()

​

sql = “select 0+nr from p”;

var  u = testSparkSession.sql(sql)

println(u.queryExecution.optimizedPlan)

println(sql)

u.show()

​

sql = “select nr+8 from p”;

var  v = testSparkSession.sql(sql)

println(v.queryExecution.optimizedPlan)

println(sql)

v.show()

//   println(optimizedResult.queryExecution.optimizedPlan.toString() )

//   optimizedResult.collect().map(row => row.getAs[Long](“(nr + 0)”))

Thread.sleep(1000000)

}

​

}

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

an.toString() )

//   optimizedResult.collect().map(row => row.getAs[Long](“(nr + 0)”))

Thread.sleep(1000000)

}

​

}

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）
[外链图片转存中…(img-MlsbMKI0-1713334966428)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！