Spark 性能优化 （三）：RBO 与 CBO

1. RBO 的核心概念

在 Apache Spark 的查询优化过程中，规则优化（Rule-Based Optimization, RBO） 是 Catalyst 优化器的一个关键组成部分。它主要依赖于一组固定的规则进行优化，而不是基于统计信息（如 CBO - Cost-Based Optimization）。

RBO 主要通过一系列 逻辑规则（Logical Rules） 和 物理规则（Physical Rules） 来转换和优化查询计划。这些规则在不改变查询结果的情况下，优化查询逻辑，使查询执行得更高效。

RBO 适用于优化以下方面：

• 谓词下推（Predicate Pushdown）：减少不必要的数据扫描
• 常量折叠（Constant Folding）：减少计算量
• 投影下推（Projection Pruning）：减少数据传输
• 消除无效操作（Eliminate Redundant Operations）：去掉无用的计算

2. RBO 在 Catalyst 优化器中的角色

Spark 的 Catalyst 查询优化器由四个阶段组成：

1. 解析（Parsing）：将 SQL 语句解析成抽象语法树（AST）。
2. 分析（Analysis）：使用 Catalog 解析表和列，并检查语义错误，生成逻辑计划。
3. 优化（Optimization） ：
   • 规则优化（RBO）
   • 基于代价的优化（CBO）
4. 物理规划（Physical Planning）：选择合适的执行计划（如 Hash Join、Sort Merge Join 等）。

RBO 主要在 优化阶段（Optimization） 进行，它会对逻辑计划进行一系列转换，以减少计算成本。

3. 常见的 RBO 规则

Spark 提供了大量的规则优化，以下是几个典型的 RBO 规则：

① 谓词下推（Predicate Pushdown）

将 WHERE 条件尽早下推到数据源，减少数据扫描量。例如：

SELECT * FROM orders WHERE order_status = 'shipped';

Spark 在 RBO 阶段会将 order_status = 'shipped' 下推到数据源层，比如 Parquet、ORC、JDBC 源等，从而减少数据扫描量。

② 常量折叠（Constant Folding）

计算可以提前执行的表达式，减少运行时计算。例如：

SELECT 1 + 2 * 3;

在 RBO 阶段，Spark 会直接优化成：

SELECT 7;

这避免了运行时计算，提升查询性能。

③ 消除无效的 LIMIT 操作（Eliminate No-op Limit）

如果 LIMIT 操作不会影响查询结果，则直接去掉。例如：

SELECT * FROM orders LIMIT 1000

如果 orders 只有 500 条记录，则 LIMIT 1000 无意义，Spark 可能会优化掉这个 LIMIT。

④ 消除无效的 Sort 操作（Eliminate No-op Sort）

如果数据已经按照 ORDER BY 排序过，则去掉多余的排序。例如：

SELECT * FROM orders ORDER BY order_date

如果 orders 数据表已经按照 order_date 排序，Spark 可能会优化掉 ORDER BY 操作。

⑤ 列裁剪（Column Pruning）

减少不必要的数据传输和计算。例如：

SELECT customer_id FROM orders;

如果 orders 表有 50 列，而查询只需要 customer_id，Spark 会在 RBO 过程中移除不必要的列，减少数据扫描和传输的成本。

⑥ 过滤 NULL 值（Simplify Filters）

SELECT * FROM users WHERE age > 18 AND age IS NOT NULL;

如果 age 列设置了 NOT NULL 约束，则 age IS NOT NULL 这个条件可以去掉。

4. RBO 代码示例：

Spark 提供了 explain 方法来查看 RBO 规则应用情况：

from pyspark.sql import SparkSession

# 创建 SparkSession
spark = SparkSession.builder.appName("Spark RBO").getOrCreate()

# 创建测试 DataFrame
data = [(1, "Alice", 23), (2, "Bob", 25), (3, "Cathy", 30)]
df = spark.createDataFrame(data, ["id", "name", "age"])

# 运行查询并查看优化后的逻辑计划
df.select("id", "name").explain(mode="extended")

输出示例：

== Optimized Logical Plan ==
Project [id, name]
+- LocalRelation [id, name, age]

可以看到 Spark 在 RBO 过程中自动去掉了 age 列。

5. CBO 的核心概念

在 Apache Spark 的查询优化过程中，基于代价的优化（Cost-Based Optimization, CBO） 是 Catalyst 优化器的一个关键部分。CBO 主要依赖 统计信息 （Statistics）来选择更高效的查询执行计划，相比 RBO（Rule-Based Optimization，基于规则的优化），CBO 能够更智能地优化查询性能，特别是在 Join 选择、聚合优化、谓词优化 方面。

Spark CBO 主要通过统计信息计算不同查询计划的代价（cost），并选择代价最小的执行方案。它适用于：

• Join 重新排序（Reorder Joins）------ 选择最佳的 Join 顺序，提高执行效率。
• 选择最佳 Join 方式（Broadcast Hash Join vs. Sort Merge Join）
• 聚合优化（Aggregation Optimization）
• 列裁剪优化（Column Pruning）------ 减少不必要的列传输
• 谓词优化（Predicate Optimization）

CBO 依赖 表的统计信息，如：

• 行数（Row Count）
• 列的基数（Cardinality）
• NULL 值的数量
• 最大/最小值
• 直方图（Histogram）

6. CBO 在 Catalyst 优化器中的作用

Spark Catalyst 查询优化器由四个阶段组成：

1. 解析（Parsing）：将 SQL 解析成抽象语法树（AST）。
2. 分析（Analysis）：使用 Catalog 解析表和列，并检查语义错误。
3. 优化（Optimization） ：
   • 规则优化（RBO）------不依赖统计信息
   • 基于代价的优化（CBO）------依赖统计信息
4. 物理计划生成（Physical Planning）：选择最优执行计划。

在优化阶段，RBO 先执行 ，然后 CBO 基于统计信息 进一步优化查询计划，使执行更加高效。

7. Spark CBO 关键优化策略

① Join 重新排序（Reorder Joins）

CBO 通过统计信息计算不同 Join 顺序的代价，选择代价最低的 Join 执行方式。例如：

SELECT * 
FROM orders o 
JOIN customers c ON o.customer_id = c.customer_id
JOIN products p ON o.product_id = p.product_id;

如果 orders 表有 1 亿行，customers 表有 100 万行，products 表有 10 万行，理想的 Join 顺序是：

1. 先 Join orders 和 customers（较小的表优先参与 Join）
2. 再 Join products

CBO 通过 统计信息 来决定 Join 的最佳顺序，避免大表 Join 造成的性能问题。

相关参数：

spark.sql.cbo.enabled = true  # 启用 CBO
spark.sql.cbo.joinReorder.enabled = true  # 允许 Join 重新排序

---

② 选择最佳 Join 方式

Spark 支持多种 Join 方式：

• Broadcast Hash Join（适用于小表）
• Sort Merge Join（适用于大表）
• Shuffle Hash Join
• Nested Loop Join（适用于非等值 Join）

CBO 通过统计信息选择合适的 Join 方式。例如，如果 customers 表小于 spark.sql.autoBroadcastJoinThreshold（默认 10MB），CBO 会选择 Broadcast Hash Join，避免 Shuffle，提高性能。

相关参数：

spark.sql.autoBroadcastJoinThreshold = 10MB  # 小于 10MB 的表自动广播

---

③ 聚合优化（Aggregation Optimization）

如果 CBO 发现：

• 过滤后的数据量很小
• 适合 Hash Aggregate（内存中完成聚合）

则 Spark 会选择 Hash Aggregate 代替 Sort Aggregate，提升查询性能。

SELECT category, COUNT(*) 
FROM products 
GROUP BY category;

如果 category 基数小，CBO 可能选择 Hash Aggregate，避免排序消耗。

④ 谓词优化（Predicate Optimization）

CBO 通过统计信息判断谓词是否能减少扫描数据量。例如：

SELECT * FROM orders WHERE order_date >= '2024-01-01';

如果 order_date 是一个 高基数列（High Cardinality） ，CBO 可能建议 索引扫描（Index Scan），而不是全表扫描。

⑤ 列裁剪（Column Pruning）

CBO 可以自动裁剪不必要的列，减少数据传输。例如：

SELECT customer_id FROM orders;

如果 orders 表有 50 列，而查询只涉及 customer_id，CBO 会裁剪掉其他 49 列，减少 I/O 和计算成本。

8. 如何启用 CBO

默认情况下，CBO 是 关闭 的。需要显式开启：

spark.conf.set("spark.sql.cbo.enabled", "true")
spark.conf.set("spark.sql.cbo.joinReorder.enabled", "true")  # 允许 Join 重新排序
spark.conf.set("spark.sql.statistics.histogram.enabled", "true")  # 启用直方图

此外，CBO 依赖 表的统计信息，需要手动收集：

ANALYZE TABLE orders COMPUTE STATISTICS;
ANALYZE TABLE orders COMPUTE STATISTICS FOR COLUMNS customer_id, order_date;

9. CBO 代码示例

from pyspark.sql import SparkSession

# 创建 SparkSession
spark = SparkSession.builder \
    .appName("Spark CBO") \
    .config("spark.sql.cbo.enabled", "true") \
    .config("spark.sql.cbo.joinReorder.enabled", "true") \
    .getOrCreate()

# 创建示例表
data1 = [(1, "Alice", 1000), (2, "Bob", 2000), (3, "Cathy", 3000)]
data2 = [(1, "Product A"), (2, "Product B"), (3, "Product C")]

df1 = spark.createDataFrame(data1, ["id", "name", "salary"])
df2 = spark.createDataFrame(data2, ["id", "product_name"])

# Join 并查看执行计划
df = df1.join(df2, "id")
df.explain(mode="extended")

如果统计信息已收集，CBO 会优化 Join 方式并选择最佳执行计划。

10. CBO vs. RBO

优化类型	CBO（基于代价优化）	RBO（规则优化）
依赖统计信息	✅ 依赖统计信息	❌ 不依赖统计信息
适用场景	Join 选择、聚合优化、列裁剪	谓词下推、常量折叠、投影下推
计算成本	较高（需要计算代价）	低
典型优化	Join 重新排序、选择最佳 Join 算法	谓词下推、常量折叠

RBO 适用于基本优化，而 CBO 在大数据查询中至关重要，能够智能选择最佳执行计划。