深入理解Spark SQL原理

1、前言

  本文是对自己阅读Spark SQL源码过程的一个记录，主线是对尚硅谷Spark SQL最后练习中建立的表的一个简单SQL编写的源码实现流程的跟读。通过自问自答的方式，学习完了整个Spark SQL的执行过程。
  Spark SQL最终是通过Spark Core的RDD进行计算。所以在阅读Spark SQL源码之前，一定要深刻掌握Spark Core原理，而阅读源码的思路就是理解Spark SQL最后如何生成与Spark Core里同样类型的RDD，进一步如何转换为Job的。
  本文从物理计划开始，描述各个结点的实际转换过程，如果你对物理计划的生成还不清楚，可以按照如下的路线进行学习：

• 编译原理里文法、决策树部分，推荐B站哈工大的课程。学习这部分是因为字符串的SQL语句是通过编译的方式生成的语法树，这部分的学习对于语法树生成的各种概念有一个系统性的认识。
• Antlr4。推荐《ANTLR4权威指南 by【英】特恩斯·帕尔》。Antlr4是语法树生成的框架，在被大量Java开源数据分析系统所使用，其内容对于编写一些简单的自定义文法也很有裨益。同时对代码生成的理解也有帮助。
• Catalyst里的逻辑计划优化。这部分参考知乎的一篇博文《是时候学习一定真正的Spark技术》和David Vrba的几篇博文【1】【2】。
• 其他参考。《Spark SQL内核剖析 by 朱锋, 张韶全, 黄明》讲叙的不是很好，但是能建立一个基本的概念。然后就是Jacek的这本《The Internals of Spark SQL》，作为参考资料不错，但是缺乏一个系统的思路。《Spark Definitive Guide》作为应用开发来说是一部绝佳的书籍，对于源码学习没有太大帮助，但是学习的路线肯定是掌握应用开发之后再学习源码。

  有了这些基础后，再深入学习Spark SQL源码，难度能够降低很多。以下的内容更多的是对自己学习Spark SQL源码的心得整理，并不适合作为由浅入深的学习资料来看，我按照读者的角度重新整理了一下，如果对你有一点帮助那是再好不过了。

2、Spark SQL UI中的算子名称？

  Spark SQL UI是查看Spark SQL运行过程的第一选择，但是从Spark Core过来的用户，会对里面图形的名称感到陌生，即使当你对Spark SQL的执行计划有所认识后，你也会对这些名称、RDD类型和RDD转换算子的关系感到混乱。这部分就是描述这些名称是如何产生的，这样你能够通过UI里的DAG获取更多的内部运算信息。
  在Spark UI中对比查看SQL产生的Job和Core产生的Job，SQL产生Job中Stage里的蓝色框（同一个withScope方法内的操作，在withScope内生成的RDD会使用同一个名称）的名称并不和RDD的算子（函数）对应，而直接使用Core框架编写程序产生的Job里的算子名称和RDD的算子（函数）是对应的。这是因为SQL里调用withScope方法，指定了名称（使用的Exec结点的名称，比如BroadcastHashJoin），而Core框架不使用名称，这时withScope会自动查找调用方法，也就算子（比如map），作为Scope名称（也就是蓝色框名称）。当递归调用withScope时，不会覆盖外层的Scope名称。
  所以Spark SQL UI蓝色框的名称叫做Scope名称比较合适，称为算子名称并不准确，Scope名称这种说法的缺点就是太抽象了，但能知道它到底从何而来。

3、Spark SQL如何划分Job（也就是如何生成执行RDD算子的Job）？【重点】

  后面例子都以：

spark.sql("use atguigu")
val df = spark.sql("""
  select city_name, count(1) 
    from city_info ci, user_visit_action uva 
    where ci.city_id = uva.city_id and ci.area = '华南' 
    group by ci.city_name
  """)

  为例。其中，city_info和user_visit_action见尚硅谷的Spark教程资料。df的执行树如下：

  注意，这个最终执行树（executedPlan）是为了学习调试时方便，关闭了codegen后得到的。这时，调用df.show方法，会从SparkPlan树（物理计划）的顶结点执行execute方法，在例子中的顶节点就是HashAggregateExec（后面的描述中SparkPlan结点名称的Exec可能会省略）。execute方法会递归调用子节点的prepare后，再调用当前结点的doExecute方法，doExecute会决定如何调用子结点的方法。当执行到BroadcastHashJoin的doExecute方法时，会对BroadcastExchange执行executeBroadcast方法，然后利用得到的广播变量在Filter上执行execute方法后得到的rdd上进行算子操作得到新的rdd。最后HashAggregateExec的execute方法将返回rdd[InternalRow]。
  实际上df.show更直接的调用是HashAggregate的executeTake方法，该方法里将会通过sparkContext的runJob方法提交任务。而在runJob之前，还将会调用execute方法来驱动物理计划树的execute流程。再次强调，通过execute流程，我们得到的只是rdd，但是这个过程也有副作用，比如executeBroadcast也会提交job。
  Spark SQL会产生3个Job。第1个是在执行executeBroadcast时，通过[broadcast-exchange]线程提交的。第2个，就是HashAggregate的executeTake里提交的任务。这个Job分成两个Stage，这是由于Exchanger结点导致的（生成ShuffledRowRDD），为什么会出现这个结点在Ensure Requirements规则里描述。第3个Job实际上也是HashAggregate的executeTake里提交的，executeTake执行时先尝试对1个outputPartition进行处理，然后再依据扩大因子的配置增加，这样能够减少对partition不必要的处理，扩大因子的默认值是4，这里只有4个outPartition，所以剩下的3个在Job 3中一次处理了。值得一提的是，第3个Job能重复利用第2个Job产生的中间结果，所以在Job 3中跳过了第一个stage，是不是很神奇和巧妙呢！

4、为什么是4个outPartitioin?

  这个是由物理计划决定的，也就是在利用Ensure Requirements生成Exchanger时确定的，不过这里是因为本地运行时设置了spark.sql.shuffle.partitions为4。

5、Ensure Requirements规则？

  这是生成物理计划时的一个规则。最终物理计划的生成实际上分为两步，第一步是依据成本规则得到物理计划，对应queryExecution的sparkPlan；第二步是perpareForExecution，这里是对得到的物理计划做执行前准备，保证分区和排序规则能够满足等，而准备中有一个规则就是Ensure Requirements，执行完这些规则后得到executedPlan，这也正是DataFrame的explain方法的输出。

6、对任务数更进一步的理解？

  考虑如下的sql：

spark.sql("use atguigu")
val query = spark.sql("""
  select uva.user_id, count(*)
    from user_visit_action uva, user_visit_action uva2
    where uva.user_id = uva2.user_id and uva.city_id > 1 and uva2.city_id < 1000
    group by uva.user_id
   """)
query.show

  query的executedPlan是

  这个例子和之前的例子类似，但是运行下来发现不是3个Job，而是2个。而且，第二个Job的最后一个stage只有一个task。事实上，我们看到ExecutedPlan里ShuffleExchangeExec里是设置为4个partition的，难道这个partition还会被其他规则改变？
  答案并非如此，事实上，这与之前提到executeTake的实现机制有关，executeTake先对1个outputPartition进行处理，而由于query.show只会显示20行内容，所以1个outputPartition的处理已经能满足需求，后面的就不再执行了。

7、BroadcastExchange的过程？

  在executeBroadcast里，通过Expression构造key，形成key-row的map构造出HashedRelation，再通过sparkContext广播出去。

8、BroadcastHashJoin的过程？

  从BroadcastExchange得到的broadcast值获取HashedRelation，然后在Filter执行得到的rdd上调用mapPartitions，在分区内进行join操作。
  以例子的join作说明操作过程，例子为innerjoin，在innejoin方法里，会遍历Filter的到的Rdd[InternalRow]，遍历时计算每一行的key，然后通过key获取HashedRelation的行，如果这个行存在，那么将Filter的InternalRow与HashedRelation里key对应的InternalRow合并返回，完成join操作。

9、HashAggregate的过程？

  通过groupingExpression和aggregateExpression来构造TungstenAggregationIterator，当然还有输入行。例子里groupingExpression就是city_name#2，aggregateExpression就是partialCount(1)和count(1)。
  聚合迭代器在创建时就进行了聚合操作，next只是返回处理好的值。在TungstenAggregationIterator的类定义里有一个processInputs方法，这个方法在创建对象时就开始处理数据。逻辑很复杂，大致的思路就是利用key为groupingExpression，value为aggregateExpression计算值的hashmap来存结果，还要考虑排序和内存不够写磁盘等逻辑。
  Hash的由来就是使用了hashmap，这和HashedRelation的名字由来一样。

10、LocalTableScan结点如何决定Task数量？（与本例子无关）

  为什么几行就有几个Task，因为取行数和机器并行度（家里电脑为4核）的最小值。

11、UnsafeRow的结构？【重点】

  UnsafeRow是Spark SQL生成的rdd对象泛型参数的具化类型，在源码分析过程中反复出现，弄清其结构对于理解一些复杂的过程很有帮助。
  UnsafeRow的格式为：[null bit set] [values] [variable length portion]。
  举例[0,0,1800000009,6e61687a6f616978,67]表示[0,xiaozhang]。都是用16进制表示，一个字符代表4个bit，一个“,”表示一个[8-byte word]。第一个[8-byte word] 0表示[null bit set]，后面的[8-byte word]依次为field的值（这里有2个field），而第二个[8-byte word]就是0。第三个[8-byte word] 存储的是该field的offset和size，前32bit为offset，后32bit为size，所以0x18就是24是offset值（24字节后就是第二个field的值），9为xiaozhang的长度，而[6e61687a6f616978,67]正是xiaozhang。

12、Broadcast为什么会出现多次？

  尚硅谷SparkCore里广播变量例子，会生成两次broadcast块的原因是，task也是通过broadcast传给Executor的。

13、BroadcastJoin和SortMergeJoin不同？

  为了构造SortMergeJoin的例子，将一个大表自己与自己Join（不过大表也没超过10M），这时运行速度为40s。于是通过Hint方式指定进行SortMergeJoin，此时分为3个Stage，但都只运行了1个Task，实际Exchange参数为4（应该有4个Task），原因见上面的分析，通过SortMergeJoin在7s内返回了结果，因为show(1)只需要部分执行Stage12的一个Task。例子如下：

spark.sql("""
    select /*+ MERGE(uva) */ uva.user_id, count(1) 
    from user_visit_action uva, user_visit_action uva2 
    where uva.user_id = uva2.user_id 
        and uva.city_id > 1 and uva2.city_id < 1000 
    group by uva.user_id
""").show(1)

  包含SortMergeJoin的DAG图如下，为了支持SortMergeJoin，ER要保证上游数据的分区和排序，所以加入了Exchange和Sort节点。这是进行SortMergeJoin的关键前提！好好理解！

14、代码生成的阶段？

  同ER，在perpareForExecution时，与ER同在一个seq下的rule：CollapseCodegenStages。对sparkPlan树所有能应用codegen的exec结点，使用WholeStageCodegen结点合并相邻的结点。

15、总结

  通过对一个典型的Spark SQL语句进行源码级的理解，我们对于Spark SQL的内部实现流程已经非常清楚，其中，还穿插了一些相关的源码分析。到此为止，对Spark SQL的源码学习告一段落，相信有了更加深厚的内功基础后，再去进行Spark SQL应用的优化、解决使用过程中的问题，必然得心应手！