Spark SQL中外连接查询中的谓词下推规则

SparkSql

---

SparkSql是架构在spark计算框架之上的分布式Sql引擎，使用DataFrame和DataSet承载结构化和半结构化数据来实现数据复杂查询处理，提供的DSL可以直接使用scala语言完成sql查询，同时也使用thrift server提供服务化的Sql查询功能。SparkSql提供了Data Source API，用户通过这套API可以自己开发一套Connector，直接查询各类数据源，包括NoSql、RDBMS、搜索引擎以及HDFS等分布式FS上的文件等。和SparkSql类似的系统，从Sql和计算框架分离角度看应该就是Hive；从面相的业务类型看有PrestoDB、Impala等(都可以在一定程度上应对即系查询)。

谓词下推

所谓谓词(predicate)，英文定义是这样的：A predicate is a function that returns bool (or something that can be implicitly converted to bool），也就是返回值是true或者false的函数，使用过scala或者spark的同学都知道有个filter方法，这个高阶函数传入的参数就是一个返回true或者false的函数。如果是在sql语言中，没有方法，只有表达式，where后边的表达式起的作用正是过滤的作用，而这部分语句被sql层解析处理后，在数据库内部正是以谓词的形式呈现的。

那么谓词为什么要下推呢?说白了，这个问题就是要回答到底谁来完成过滤数据的操作。那么谁都可以来完成数据过滤呢？我们大致可以把SparkSql中的查询处理流程做如下的划分：

SparkSql首先会对输入的sql语句进行一系列的分析，包括词法解析(可以理解为搜索引擎中的分词这个过程)、语法分析以及语义分析(例如判断database或者table是否存在、group by必须和聚合函数结合等规则)；之后是执行计划的生成，包括逻辑计划和物理计划，其中在逻辑计划阶段会有很多的优化，而物理计划则是RDD的DAG图的生成；这两步完成之后则是具体的执行了(也就是各种重量级的计算逻辑)，这就会有各种物理操作符(RDD的Transformation)的乱入，和本文讨论的问题相关的则是Filter和Scan两个操作符。其中Scan操作符直接面向底层数据源，完成数据源的扫描读取；Filter操作符完成扫描后数据的过滤。

我们知道，可以通过封装SparkSql的Data Source API完成各类数据源的查询，那么如果底层数据源无法高效完成数据的过滤，就会执行直接的全局扫描，把每条相关的数据都交给SparkSql的Filter操作符完成过滤，虽然SparkSql使用的Code Generation技术极大的提高了数据过滤的效率，但是这个过程无法避免大量数据的磁盘读取，甚至在某些情况下会涉及网络IO(例如数据非本地化时)；如果底层数据源在进行扫描时能非常快速的完成数据的过滤，那么就会把过滤交给底层数据源来完成，这就是SparkSql中的谓词下推（至于哪些数据源能高效完成数据的过滤以及SparkSql是又如何完成高效数据过滤的则不是本文讨论的重点）。

外连接查询和连接条件

外连接查询(outter join)，分为左外连接查询、右外连接查询以及全外连接查询，全外连接使用的场景不多，所以本文重点讨论的是左连接查询和右连接查询。

连接条件，则是指当这个条件满足时两表的两行数据才能”join“在一起被返回，例如有如下查询:

SELECT LT.value, RT.value

FROM lefttable LT LEFT JOIN righttable RT

   ON LT.id = RT.id AND LT.id > 1

WHERE RT.id > 2

其中的“LT.id=RT.id AND LT.id>1” 这部分条件被称为“join中条件”，直接用来判断被join的两表的两行记录能否被join在一起，如果不满足这个条件，两表的这两行记录并非全部被踢出局，而是根据连接查询类型的不同有不同的处理，所以这并非一个单表的过滤过程或者两个表的的“联合过滤”过程；而where后的“RT.id>2”这部分被称为“join后条件”，就是一个单表过滤过程。而上边提到的谓词下推能否在两类条件中使用，在SparkSql中则有特定的规则，以左外连接查询为例，规则如下：

左表join后条件下推

查询语句如下：

SELECT LT.id, LT.value, RT.value

FROM lefttable LT

LEFT JOIN righttable RT

   ON LT.id = RT.id

WHERE LT.id > 1

来分析一下LT.id>1下推到左表进行数据过滤的结果,经过LT.id>1过滤后，左表变为：

SELECT LT.id, LT.value, RT.value

FROM (SELECT id, value

   FROM lefttable LT

   WHERE LT.id > 1

   ) TT

LEFT JOIN righttable RT

   ON TT.id = RT.id

这是一个非相关子查询，即完全可以先完成子查询，再完成父查询，子查询在查询过程中和外部查询没有关联关系。

左表join中条件不下推
查询语句如下：

SELECT LT.id, LT.value, RT.value

FROM lefttable LT LEFT JOIN righttable RT

   ON LT.id = RT.id AND LT.id > 1

谓词下推是为了提高查询效率，如果不下推也可以得到正确的查询结果，所以来看看不下推的情况下计算出的正确结果，join过程如下：

第一步：左表id为1的行在右表中能找到相等的id，但是左表的id为1，是不满足第二个join条件(LT.id>1)的，所以左表这一条相当于没有和右表join上，所以左表的值value保留，而右表的value为null(你没满足join中条件没join上还把你的值保留，给我搞个空值？没办法，就是这么任性)。

第二步：左表id为2的行在右表中能找到，而且左表id为2的行的id大于1，两个join条件都满足，所以算是和右表join上了，所以左表和右表的value都保留。最终的查询结果如下：

右表join中条件下推

查询语句如下：

SELECT LT.id, LT.value, RT.value

FROM lefttable LT LEFT JOIN righttable RT

   ON LT.id = RT.id

AND RT.id > 1

现在把RT.id>1这个右表join中条件下推，来过滤右表，过滤后如下：

可见，右表join中条件下推不下推，结果一样，所以，干吗不下推？可以过滤掉一半的数据呢。Sparksql中的等价处理语句是：

SELECT LT.id, LT.value, RT.value

FROM LT LEFT JOIN (SELECT id, value

   FROM righttable RT

   WHERE RT.id > 1

   ) TT

ON LT.id = TT.id

右表join后条件不下推
这个应该是最违反常规理解的查询了，查询语句如下：

SELECT LT.id, LT.value

FROM lefttable LEFT JOIN righttable RT

   ON LT.id = RT.id

WHERE RT.id > 1

首先来看，join后条件不下推的情况，流程如下：

第一步：左表id为1的行在右表中可以找到，但是此时仅仅满足join条件，在使用where条件判断这条连接后数据时，发现右表的id不满足RT.id>1的条件，所以这条join结果不保留(注意，这里是不保留，全都不保留，左表右表都不保留，要跟上边的没join上，右表的值为null的情况区别开，这也是关键所在)

第二步：左表id为2的行和右表id为2的行join上了，同时也满足RT.id>1的where条件。

很明显这其实是一个错误的结果。

至此，左联接查询的四条规则分析完了，可以看出，在SparkSql中对于外连接查询时的过滤条件，并不能在所有情况下都用来进行数据源的过滤，如果使用得当会极大的提升查询性能，如果使用不当，则会产生错误的查询结果，而这种错误结果又不易发觉，所以使用时要格外小心。

推荐阅读：

1，SparkSql的优化器-Catalyst

2，SparkSql的Catalyst之图解简易版

3，实战phoenix