目录
[(5)Spark SQL执行流程](#(5)Spark SQL执行流程)
一、SparkSQL运行流程与Catalyst优化器
(1)RDD运行流程
RDD简要流程
(2)SparkSQL自动优化
RDD的运行会完全安装开发者的代码执行,如果开发者水平有限,RDD的执行效率也会受到影响。而SparkSQL会对写完的代码,执行" 自动优化 ",以提高代码运行效率,比米娜开发者水平影响到代码执行效率。
为什么Spark SQL可以自动优化,而RDD不可以?因为RDD内含数据类型不限格式和结构,而Data Frame 100%是二维表结构,可以针对性的进行优化。Spark SQL的自动优化,依赖于Catalyst优化器。
(3)SparkSQL架构
为了解决过多依赖Hive 的问题,SparkSQL使用了一个新的SQL优化器替代 Hive 中的优化器,这个优化器就是Catalyst,整个SparkSQL的架构大致如下:
1.API层简单的说就是Spark 会通过一些API接受SQL语句.
2.收到SQL语句以后,将其交给Catalyst,Catalyst负责解析SQL,生成执行计划等
3.Catalyst的输出应该是RDD的执行计划.
4.最终交由集群运行.
(3)Catalyst优化器流程
**Step 1:**解析SQL,并且生成AST(抽象语法树,从下往上读)
**Step2:**在AST中加入元数据信息,做这一步主要是为了一些优化,如下图
**Step3:**对已经加入元数据的AST,输入优化器,继续优化,从两种常见的优化开始。
**①断言下推(Predicate Pushdown):**将filter这种可以减少数据集的操作下推,放在Scan的位置,这样就可以减少操作时候的数据量。
如下图:正常流程是先Join,然后做WHERE,断言下推后,会先过滤age,然后再Join,减少Join的数据量提高性能。
**②列值裁剪(Column Pruning):**在断言下推后执行裁剪。
如下图:由于people表之上的操作只用到了id列,所有可以把其他列裁剪掉,这样就可以减少处理的数据量,从而优化处理速度。
还有其余许多优化点,大概一共有一两百种,随着Spark SQL发展也会越来越多,想要了解更多可以查阅Spark源码:org.apache.spark.sql.catalyst.optimizer.Optimizer
Step4:经过上述流程后,产生的AST其实最终还没有办法直接运行,这个AST叫做逻辑计划,结束后,需要生成物理计划,从而生成RDD来运行。
在生成" 物理计划 "的时候,会经过" 成本模型 "对整棵树再次执行优化,选择一个更好的计划,在生成" 物理计划 "以后,因为考虑到性能,所有会使用代码生成,在机器中运行。可以使用queryExecution 方法查看逻辑执行计划,使用explain方法查看物理执行计划。
(4)Catalyst优化器总结
catalyst的各种优化细节非常多,大方面的优化点有2个:
①谓词下推(Predicate Pushdown)\断言下推: 将逻辑判断提前到前面,以减少shuffle阶段的数据量。简述,行过滤,提前执行where。
②列值裁剪(Column Pruning): 将加载的列进行裁剪,尽量减少被处理数据的宽度。简述,列过滤,提前规划select的字段数量。
(5)Spark SQL执行流程
1.提交SparkSQL代码
2.catalyst优化
a.生成原始AST语法数
b.标记AST元数据
c.进行断言下推和列值裁剪以及其它方面的优化作用在AST上
d.将最终AST得到,生成执行计划
e.将执行计划翻译为RDD代码
- Driver执行环境入口构建(SparkSession)
4.DAG调度器规划逻辑任务
5.TASK调度区分配逻辑任务到具体Executor上工作并监控管理任务
- Worker干活.