import org.apache.spark.sql.SparkSession
object SQlTest {
def main(args: Array[String]): Unit = {
val spark = SparkSession
.builder().master("local")
.appName("Spark SQL basic example")
.config("spark.some.config.option", "some-value")
.getOrCreate()
// For implicit conversions like converting RDDs to DataFrames
import spark.implicits._
val df = spark.read.json("examples/src/main/resources/people.json")
// Register the DataFrame as a SQL temporary view
df.createOrReplaceTempView("people")
val sqlDF = spark.sql("SELECT * FROM people")
sqlDF.show()
// +----+-------+
// | age| name|
// +----+-------+
// |null|Michael|
// | 30| Andy|
// | 19| Justin|
// +----+-------+
}
}
上面这段代码主要做了这么几件事:
- 读取 json 文件得到 df
- 基于 df 创建临时视图 people
- 执行 sql 查询 SELECT * FROM people,得到 sqlDF
- 打印出 sqlDF 的前 20 条记录
在这里,主要关注第 3、4 步。第3步是从 sql 语句转化为 DataFrame 的过程,该过程尚未执行 action 操作,并没有执行计算任务;第4步是一个 action 操作,会触发计算任务的调度、执行。下面,我们分别来看看这两大块
sql 语句到 sqlDataFrame
这个过程的 uml 时序图如下:
根据该时序图,我们对该过程进一步细分:
- 第1~3步:将 sql 语句解析为 unresolved logical plan,可以大致认为是解析 sql 为抽象语法树
- 第4~13步:使用之前得到的 unresolved logical plan 来构造 QueryExecution 对象 qe,qe 与 Row 编码器一起来构造 DataFrame(QueryExecution 是一个关键类,之后的 logical plan 的 analyzer、optimize 以及将 logical plan 转换为 physical plan 都要通过这个类的对象 qe 来调用)
需要注意的是,到这里为止,虽然 SparkSession#sql 已经返回,并生成了 sqlDataFrame,但由于该 sqlDataFrame 并没有执行任何 action 操作,所以到这里为止,除了在 driver 端执行了上述分析的操作外,其实并没有触发或执行其他的计算任务。
这个过程最重要的产物 unresolved logical plan 被存放在 sqlDataFrame.queryExecution 中,即 sqlDataFrame.queryExecution.logical
sqlDataFrame 的 action
前面已经得到了 unresolved logical plan 以及 sqlDataFrame,这里便要执行 action 操作来触发并执行计算任务,大致流程如下:
同样可以将上面这个过程进行细分(忽略第1、2步):
- 第3~5步:从更外层慢慢往更直接的执行层的一步步调用
- 第6步:Analyzer 借助于数据元数据(Catalog)将 unresolved logical plan 转化为 resolved logical plan
- 第7~8步:Optimizer 将包含的各种优化规则作用于 resolved plan 进行优化
- 第9~10步:SparkPlanner 将 optimized logical plan 转换为 physical plan
- 第11~12步:调用 QueryExecution#prepareForExecution 方法,将 physical plan 转化为 executable physical plan,主要是插入 shuffle 操作和 internal row 的格式转换
- 第13~14步:将 executable physical plan 转化为 RDD,并调用 RDD collect 来触发计算
总结
如果将 sql 到 dataFrame 及 dataFrame action 串起来,简化上文的分析,最核心的流程应该如下图所示:
网友评论