Spark列级血缘(字段级别血缘)开发与实现

1.背景

由于一直苦于尝试追踪spark的列级血缘，所以出于个人目的对spark源代码进行了修改，并且在github上独立了一个项目(Ushas)。
传统数据治理中针对spark的表级别血缘判断虽然能一定程度上解决数据的依赖关系，但是对于精确到字段之间的关系识别则显得捉襟见肘。开发此项目的用意是为了能够加强spark在列级血缘上的追踪优势。

2.知识铺垫

• dataset中的逻辑计划实现

  Ushas 主要在spark-sql-catalyst和spark-sql-hive模块进行了修改，catalyst主要是负责spark在数据处理中的关系依赖管理，其中对于普通的dataset会通过如下代码，将逻辑计划处理嵌入对象内：

  Dataset.ofRows(sparkSession, logicalPlan)
  

• sql中逻辑计划实现（Parser分析）

  而spark2.0版本以上对于spark-sql的支持则是通过Antlr4进行语法解析，生成语法树，然后通过深度遍历的方式将Unresolved的语法信息处理为resolved信息。
  每条spark的sql，都会预先通过SparkSqlParser执行parse，parse添加了antlr4需要的词法以及处理器，然后生成逻辑计划:

  parsePlan入口
  代码链接

  parsePlan的内部会执行sql转化logicalplan的操作

  Ast语法树Visit入口
  代码链接

• Analyzer分析

  ofRows中会触发Analyzer对于逻辑计划的解析，会调用Analyzer里面的batches进行UnresolveLogicalplan 到ResolveLogicalplan的转化（有则转化，无则跳过）

  每个batch 执行规则入口
  代码链接

  Analyzer的具体识别规则如下:

  所有的batch集合
  代码链接

  Analyzer中的一个batch具体的解析方式为采取后序遍历或者前序遍历，对每个嵌套逻辑计划进行解析

  def apply(plan: LogicalPlan): LogicalPlan = plan resolveOperatorsUp 
  

  遍历方式
  代码链接

3.我们做的事

• 让logicalplan具备列级解析的能力

  我们为了让logicplan能够有列级血缘的识别能力，首先对逻辑计划的抽象类进行了修改（这里为了不影响logicplan的其他功能，所以进行了额外trait的添加），这样在Analyzer中新添列级血缘解析规则，所有影响因素都控制在额外的trait内，不会影响spark本身的正常逻辑计划解析

  LogicPlan修改
  代码链接

• trait怎么进行工作的

  这里[trait]LineageHelper中携带的属性包括_lineageResolved(是否被Rule解析)，childrenLineageResolved用于递归判断所有的子逻辑计划是否已经被Rule解析过，markLineageResolved用来标注当前逻辑计划解析成功

  标记添加
  代码链接

  所有的列级对象都会被lineageChildren 容器进行接手。

• 列级对象存在的合理性

  逻辑计划，其实是针对算子进行操作的，并没有对算子里面的涉及成员进行操作，比如select a,b,c from table 那么这里只会生成一个RelationLogicplan 和 ProjectLogicplan, 其中 ProjectLogicplan里面对应的projectList（即所有的字段expression）才是我们关心的列级血缘对象，为了不在projectList里面直接对expression进行操作，所以我们预先定义了列级对象（和expression一一对应），简单的记录了每个expression里面我们所关心的属性[extend treeNode]，然后放入lineageChildren中。只要确保Analyzer工作时，每次深度遍历，在不参与计算的节点将lineageChildren进行复制，携带到上层节点，在对应需要操作的节点进行关系的判断，即可保证列级字段的正确解析。

  列级对象的子类包括ExpressionColumn,RelationColumn以及UnionColumn，ExpressionColumn主要记录的是Project逻辑计划里面的expression，RelationColumn主要记录的是LeafNode里面的从属关系,UnionColumn主要是记录了特殊的列字段关系，因为需要识别到相应的right lineageChildren信息。

  列级成员对象添加
  代码链接

• rule是怎么进行工作的

  因为logicplan是封装在所有的df对象内的，所以每次的df对象进行方法的操作，都会force 逻辑计划进行Analyzer的解析。我们在Analyzer的规则里面加上了自己的列级血缘判断规则

  自定义batch添加
  代码链接

  我们新增了两个解析规则，一个是针对Relation的解析规则（即字段血缘的叶子节点判断），一个是针对Expression的解析规则（即字段血缘的所有中间关系判断）

  Relation的解析规则：
  代码链接

  这里的Relation为简单的从属关系判断，只是记录了每个字段的attribute，并没有去逻辑计划中寻找catalog

  Expression的解析规则：
  代码链接

  这里的Expression的解析用的是最为基础的map寻址，即上层字段的exprid和下层字段的exprid进行匹配，若匹配中则进行绑定（借用exprid唯一的特性）

• hive relation的识别

  针对于hive，目前的开发是拿取了所有的hive信息。sparksession若是启动了enablehive，默认为重写Analyzer，所以我们为了添加对于hive数据源的支持，在Analyzer基类里面新添了tailResolutionRules，并且在继承的analyzer里面对其进行重写

  基类的Analyzer为

  建立尾部规则
  代码链接

  在 hive 的 sessionStatebuilder 里面重写 Analyzer

  重写逻辑入口
  代码链接

4.软件架构

• [module]assembly

  assembly模块是为了能够更加方便的获取打包内容，这里移植了spark的原生代码，可以一键自动化打包，在target/scala目录下获取所有jar包

• [module]dev

  dev模块是为了配置checkstyle的代码规范检测，spark有内置的scala代码规范要求，我们这里也沿用了他的所有要求，输出目录为target/checkstyle-output.xml

• [module]examples

  example模块是为了提供列级血缘的应用范例

• [directory]sql

  sql里面包含所有的spark catalyst解析，列级血缘的主要工作都集中在sql包含的三个模块上

5.安装教程

1. idea maven 对spark-catalyst module 进行Gnerated Source Code 生成sqlbase.g4的语法树文件

2. 在跑样例文件时，先设置参数 -DLocal ，再设置 Include with provided scope，用默认本地形式和本地包运行spark

3. 样例文件位置 examples/src/main/scala/org/apache/spark/examples/lineage/SparkLineageExample.scala

4. 打包时，如果需要添加hive的插件支持，需要在spark profile中勾选hive

5. 因为本身就是spark的项目中进行的分离，所以只需要将 spark-hive_2.12-3.1.2.jar，spark-catalyst_2.12-3.1.2.jar 进行替换，即可完成列级血缘的快速部署

6.效果展示

1. 准备样例sql ： select * from (select substr(a+1,0,1) as c,a+3 as d from (select 1 as a,2 as b))

2. 样例输出：

c#2
+- c#2
   +- Alias ( substring(cast((a#0 + 1) as string), 0, 1) AS c#2 )
      +- a#0
         +- Alias ( 1 AS a#0 )

3. 在spark-shell中如何查看列级血缘（API方法）

   df.queryExecution.analyzed.lineageChildren(0).treeString

4. 在pyspark中如何查看列级血缘（API方法）

   df._jdf.queryExecution().analyzed().lineageChildren().apply(0).treeString()

7.项目（有用的话可以star一下哦！）

• Ushas项目链接