Spark SQL架構(gòu)的工作原理和工作流程是什么？

Spark SQL兼容Hive，這是因?yàn)镾park SQL架構(gòu)與Hive底層結(jié)構(gòu)相似，Spark SQL復(fù)用了Hive提供的元數(shù)據(jù)倉(cāng)庫(kù)（Metastore）、HiveQL、用戶自定義函數(shù)（UDF）以及序列化和反序列工具（SerDes），下面通過(guò)圖1深入了解Spark SQL底層架構(gòu)。

圖1 Spark SQL架構(gòu)

從圖1中可以看出，Spark SQL架構(gòu)與Hive架構(gòu)相比，除了把底層的MapReduce執(zhí)行引擎更改為Spark，還修改了Catalyst優(yōu)化器，Spark SQL快速的計(jì)算效率得益于Catalyst優(yōu)化器。從HiveQL被解析成語(yǔ)法抽象樹(shù)起，執(zhí)行計(jì)劃生成和優(yōu)化的工作全部交給Spark SQL的Catalyst優(yōu)化器進(jìn)行負(fù)責(zé)和管理。

Catalyst優(yōu)化器是一個(gè)新的可擴(kuò)展的查詢優(yōu)化器，它是基于Scala函數(shù)式編程結(jié)構(gòu)，Spark SQL開(kāi)發(fā)工程師設(shè)計(jì)可擴(kuò)展架構(gòu)主要是為了在今后的版本迭代時(shí)，能夠輕松地添加新的優(yōu)化技術(shù)和功能，尤其是為了解決大數(shù)據(jù)生產(chǎn)環(huán)境中遇到的問(wèn)題（例如，針對(duì)半結(jié)構(gòu)化數(shù)據(jù)和高級(jí)數(shù)據(jù)分析），另外，Spark作為開(kāi)源項(xiàng)目，外部開(kāi)發(fā)人員可以針對(duì)項(xiàng)目需求自行擴(kuò)展Catalyst優(yōu)化器的功能。下面通過(guò)圖2描述Spark SQL的工作原理。

圖2 Spark SQL工作原理

Spark要想很好地支持SQL，就需要完成解析（Parser）、優(yōu)化（Optimizer）、執(zhí)行（Execution）三大過(guò)程。Catalyst優(yōu)化器在執(zhí)行計(jì)劃生成和優(yōu)化的工作時(shí)候，它離不開(kāi)自己內(nèi)部的五大組件，具體介紹如下所示。

Parse組件：該組件根據(jù)一定的語(yǔ)義規(guī)則（即第三方類庫(kù)ANTLR）將SparkSql字符串解析為一個(gè)抽象語(yǔ)法樹(shù)/AST。
Analyze組件：該組件會(huì)遍歷整個(gè)AST，并對(duì)AST上的每個(gè)節(jié)點(diǎn)進(jìn)行數(shù)據(jù)類型的綁定以及函數(shù)綁定，然后根據(jù)元數(shù)據(jù)信息Catalog對(duì)數(shù)據(jù)表中的字段進(jìn)行解析。
Optimizer組件：該組件是Catalyst的核心，主要分為RBO和CBO兩種優(yōu)化策略，其中RBO是基于規(guī)則優(yōu)化，CBO是基于代價(jià)優(yōu)化。
SparkPlanner組件：優(yōu)化后的邏輯執(zhí)行計(jì)劃OptimizedLogicalPlan依然是邏輯的，并不能被Spark系統(tǒng)理解，此時(shí)需要將OptimizedLogicalPlan轉(zhuǎn)換成physical plan（物理計(jì)劃）。
CostModel組件：主要根據(jù)過(guò)去的性能統(tǒng)計(jì)數(shù)據(jù)，選擇最佳的物理執(zhí)行計(jì)劃。

在了解了上述組件的作用后，下面分步驟講解Spark SQL工作流程。

1． 在解析SQL語(yǔ)句之前，會(huì)創(chuàng)建SparkSession，涉及到表名、字段名稱和字段類型的元數(shù)據(jù)都將保存在Catalog中；

2． 當(dāng)調(diào)用SparkSession的sql()方法時(shí)就會(huì)使用SparkSqlParser進(jìn)行解析SQL語(yǔ)句，解析過(guò)程中使用的ANTLR進(jìn)行詞法解析和語(yǔ)法解析；

3． 接著使用Analyzer分析器綁定邏輯計(jì)劃，在該階段，Analyzer會(huì)使用Analyzer Rules，并結(jié)合Catalog，對(duì)未綁定的邏輯計(jì)劃進(jìn)行解析，生成已綁定的邏輯計(jì)劃；

4． 然后Optimizer根據(jù)預(yù)先定義好的規(guī)則（RBO）對(duì) Resolved Logical Plan 進(jìn)行優(yōu)化并生成 Optimized Logical Plan（最優(yōu)邏輯計(jì)劃）；

5． 接著使用SparkPlanner對(duì)優(yōu)化后的邏輯計(jì)劃進(jìn)行轉(zhuǎn)換，生成多個(gè)可以執(zhí)行的物理計(jì)劃Physical Plan；

6． 接著CBO優(yōu)化策略會(huì)根據(jù)Cost Model算出每個(gè)Physical Plan的代價(jià)，并選取代價(jià)最小的 Physical Plan作為最終的Physical Plan；

7． 最終使用QueryExecution執(zhí)行物理計(jì)劃，此時(shí)則調(diào)用SparkPlan的execute()方法，返回RDD。

猜你喜歡：

Spark與Hadoop有哪些區(qū)別？【大數(shù)據(jù)培訓(xùn)】

SparkMllib如何解決回歸問(wèn)題？[大數(shù)據(jù)培訓(xùn)]

怎樣操作Spark SQL性能調(diào)優(yōu)？

Spark SQL通過(guò)JDBC連接MySQL讀寫數(shù)據(jù)

傳智教育大數(shù)據(jù)項(xiàng)目開(kāi)發(fā)培訓(xùn)