Spark SQL 源码分析之Physical Plan 到 RDD的具体实现

 接上一篇文章Spark SQL Catalyst源码分析之Physical Plan，本文将介绍Physical Plan的toRDD的具体实现细节：

  我们都知道一段sql，真正的执行是当你调用它的collect()方法才会执行Spark Job，最后计算得到RDD。

  lazy val toRdd: RDD[Row] = executedPlan.execute()

  Spark Plan基本包含4种操作类型，即BasicOperator基本类型，还有就是Join、Aggregate和Sort这种稍复杂的。

  如图：

  

一、BasicOperator

1.1、Project

  Project 的大致含义是：传入一系列表达式Seq[NamedExpression]，给定输入的Row，经过Convert（Expression的计算eval）操作，生成一个新的Row。

  Project的实现是调用其child.execute()方法，然后调用mapPartitions对每一个Partition进行操作。
  这个f函数其实是new了一个MutableProjection，然后循环的对每个partition进行Convert。

1. case class Project(projectList: Seq[NamedExpression], child: SparkPlan) extends UnaryNode {

2. override def output = projectList.map(_.toAttribute)

3. override def execute() = child.execute().mapPartitions { iter => //对每个分区进行f映射

4. @transient val reusableProjection = new MutableProjection(projectList)

5. iter.map(reusableProjection)

6. }

7. }

  通过观察MutableProjection的定义，可以发现，就是bind references to a schema 和 eval的过程：

  将一个Row转换为另一个已经定义好schema column的Row。
  如果输入的Row已经有Schema了，则传入的Seq[Expression]也会bound到当前的Schema。

1. case class MutableProjection(expressions: Seq[Expression]) extends (Row => Row) {

2. def this(expressions: Seq[Expression], inputSchema: Seq[Attribute]) =

3. this(expressions.map(BindReferences.bindReference(_, inputSchema))) //bound schema

4.  

5. private[this] val exprArray = expressions.toArray

6. private[this] val mutableRow = new GenericMutableRow(exprArray.size) //新的Row

7. def currentValue: Row = mutableRow

8. def apply(input: Row): Row = {

9. var i = 0

10. while (i < exprArray.length) {

11. mutableRow(i) = exprArray(i).eval(input) //根据输入的input，即一个Row，计算生成的Row

12. i += 1

13. }

14. mutableRow //返回新的Row

15. }

16. }

1.2、Filter

 Filter的具体实现是传入的condition进行对input row的eval计算，最后返回的是一个Boolean类型，

 如果表达式计算成功，返回true，则这个分区的这条数据就会保存下来，否则会过滤掉。

1. case class Filter(condition: Expression, child: SparkPlan) extends UnaryNode {

2. override def output = child.output

3.  

4. override def execute() = child.execute().mapPartitions { iter =>

5. iter.filter(condition.eval(_).asInstanceOf[Boolean]) //计算表达式 eval(input row)

6. }

7. }

1.3、Sample

  Sample取样操作其实是调用了child.execute()的结果后，返回的是一个RDD，对这个RDD调用其sample函数，原生方法。

1. case class Sample(fraction: Double, withReplacement: Boolean, seed: Long, child: SparkPlan)

2. extends UnaryNode

3. {

4. override def output = child.output

5.  

6. // TODO: How to pick seed?

7. override def execute() = child.execute().sample(withReplacement, fraction, seed)

8. }

1.4、Union

  Union操作支持多个子查询的Union，所以传入的child是一个Seq[SparkPlan]

  execute()方法的实现是对其所有的children，每一个进行execute()，即select查询的结果集合RDD。

  通过调用SparkContext的union方法，将所有子查询的结果合并起来。

1. case class Union(children: Seq[SparkPlan])(@transient sqlContext: SQLContext) extends SparkPlan {

2. // TODO: attributes output by union should be distinct for nullability purposes

3. override def output = children.head.output

4. override def execute() = sqlContext.sparkContext.union(children.map(_.execute())) //子查询的结果进行union

5.  

6. override def otherCopyArgs = sqlContext :: Nil

7. }

1.5、Limit

  Limit操作在RDD的原生API里也有，即take().

  但是Limit的实现分2种情况：

  第一种是 limit作为结尾的操作符，即select