今天下午的源码课,主要是对上两次课程中留的作业的讲解,除了几个逻辑执行计划的优化器外, 重点是planAggregateWithOneDistinct(有一个count distinct情况下生成物理执行计划的原理)。
在面试时,或多或少会被问到有关count distinct的优化,现在离线任务用到的基本就是hivesql和sparksql,那sparksql中有关count distinct做了哪些优化呢?
实际上sparksql中count distinct执行原理可以从两个点来说明:
-
with one count distinct
-
more than one count distinct
这篇文章主要聊一聊 with one count distinct,如果你正好也想了解这块,就点赞、收藏吧~
ps:文中有两个原理的图片比较大,上传上来之后会有点不清晰,如果有需要的朋友可文末加俺,俺发你
本文基于spark 3.2
本文大纲
1、Aggregate函数的几种mode
2、生成WithOneDistinct物理执行计划的几个阶段
3、除了count distinct,没有其他非distinct聚合函数的情况的执行原理
4、除了count distinct,有其他非distinct聚合函数的情况的执行原理
5、关键点调试
6、总结
1、Aggregate函数的几种mode
Partial: 局部数据的聚合。会根据读入的原始数据更新对应的聚合缓冲区,当处理完所有的输入数据后,返回的是局部聚合的结果
PartialMerge: 主要是对Partial返回的聚合缓冲区(局部聚合结果)进行合并,但此时仍不是最终结果,还要经过Final才是最终结果(count distinct 类型)
Final: 起到的作用是将聚合缓冲区的数据进行合并,然后返回最终的结果
Complete: 不进行局部聚合计算,应用在不支持Partial模式的聚合函数上(比如求百分位percentile_approx)
非distinct类的聚合函数的路线:Partial --> Final
distinct类的聚合函数的路线:Partial --> PartialMerge --> Partial --> Final
2、生成WithOneDistinct物理执行计划的几个阶段
-
partialAggregate
-
partialMergeAggregate
-
partialDistinctAggregate