Spark SQL 架构概述
架构核心组件
-
API层(用户接口)
- 输入方式:SQL查询;DataFrame/Dataset API。
- 统一性: 所有接口最终转换为逻辑计划树(Logical Plan),进入优化流程。
-
编译器层(Catalyst 优化器)
-
核心引擎: 基于规则的优化器(Rule-Based Optimizer, RBO )与成本优化器(Cost-Based Optimizer, CBO)。
-
处理流程:
阶段 输入 输出 关键动作 解析 SQL/API 操作 未解析逻辑计划 构建语法树(AST),校验语法正确性 分析 未解析逻辑计划 解析后逻辑计划 绑定元数据(表/列名、数据类型)、解析函数、检查语义正确性 优化 解析后逻辑计划 优化后逻辑计划 应用优化规则(如谓词下推、列剪裁、常量折叠、连接重排序) -
优化规则示例:
Predicate Pushdown(谓词下推):将过滤条件推至数据源层,减少 I/O。
Column Pruning(列裁剪):仅读取查询涉及的列,减少数据传输。
-
-
执行计划层(Planner)
-
物理计划生成:将优化后的逻辑计划转换为物理计划(Physical Plan)。
-
策略匹配: 根据数据分布、资源情况选择最优执行策略(如
BroadcastHashJoin
vsSortMergeJoin
)。 -
物理优化:
全阶段代码生成(Whole-Stage Codegen):将多个操作合并为单个 JVM 函数,减少虚函数调用开销。
谓词下推至数据源:支持 Parquet/ORC 等格式的过滤条件下推。
-
-
执行引擎层(Tungsten + Spark Core)
-
Tungsten 引擎:
堆外内存管理:避免 JVM GC 开销,直接操作二进制数据。
向量化计算:按列处理数据,提升 CPU 缓存命中率。
-
分布式执行:
物理计划转为 RDD DAG → 分解为 Stage → 调度 Task 到 Executor 并行执行。
利用 Spark Core 的血缘(Lineage)、内存管理、Shuffle 服务。
-
关键性能技术
- Catalyst 优化器
- 动态优化: 在逻辑计划阶段应用启发式规则,减少冗余计算。
- 自适应查询(AQE, Spark 3.0+):运行时根据 Shuffle 数据量动态调整 Join 策略、分区数。
- Tungsten 执行引擎
- 内存效率: 紧凑二进制格式存储数据,减少内存占用 50%+。
- 代码生成: 将查询编译为字节码,性能接近手写代码。
- 统一数据源接入
- Data Source API V2: 支持扩展自定义数据源(如 Kafka、Cassandra),并实现下推优化。
Spark SQL高级语法
复杂数据类型
-
数组 (ARRAY):同类型元素的有序集合(索引从0开始)。
- size():数组长度。
- explode():展开数组为多行。
- array_contains(arr, value):检查元素是否存在。
- transform(arr, x -> x * 2):对每个元素应用Lambda函数。
-
映射(MAP<K,V>):键值对集合(键唯一)。
-
element_at(map, key):按键取值。
-
map_keys()/map_values():获取所有键/值。
-
map_concat(map1, map2):合并两个Map。
-
-
结构体 (
STRUCT<field1:T1, ...>
):包含多个字段的复合类型(类似JSON对象)。
高级聚合与分组
-
GROUPING SETS:自定义聚合维度组合,无关字段用NULL值填充。
SQLSELECT city, department, SUM(salary) AS total_salary FROM employees GROUP BY GROUPING SETS ( (city, department), (city), () )
-
ROLLUP:层级聚合
sqlSELECT country, province, city,COUNT(*) AS count FROM locations GROUP BY ROLLUP(country, province, city) -- SQL结果会显示(country, province, city)、(country, province)、(country)、()的聚合结果
-
CUBE:所有维度聚合
sqlSELECT year, product, SUM(revenue) FROM sales GROUP BY CUBE(year, product) -- SQL结果会显示(year, profucr)、(year)、(product)、()的聚合结果
-
聚合过滤(FILTER 子句):对特定条件聚合 (比WHERE更高效)
sqlSELECT department, SUM(salary) FILTER (WHERE age > 30) AS senior_salary, AVG(salary) FILTER (WHERE gender = 'F') AS female_avg FROM employees GROUP BY department
窗口函数
-
核心结构
sqlSELECT RANK() OVER ( PARTITION BY dim ORDER BY metric DESC ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW -- 窗口范围 ) AS rank FROM table
-
聚合函数:**SUM()、AVG()、COUNT()、MAX()、MIN()**等
-
排名函数:
- ROW_NUMBER():为窗口内的每一行分配一个唯一的序号,序号连续且不重复。
- RANK():排名函数,允许有并列的名次,名次后面会出现空位。
- ENSE_RANK():排名函数,允许有并列的名次,名次后面不会空出位置,即序号连续。
-
分组窗口函数:
- NTILE():将窗口内的行分为指定数量的组,每组的行数尽可能相等。
-
分布窗口函数
- PERCENT_RANK():计算每一行的相对排名,返回一个介于0到1之间的值,表示当前行在分区中的排名百分比。
- CUME_DIST():计算小于或等于当前行的行数占窗口总行数的比例。
-
取值窗口函数
- LAG():访问当前行之前的第n行数据。
- LEAD():访问当前行之后的第n行数据。
- FIRST_VALUE():获取窗口内第一行的值。
- LAST_VALUE():获取窗口内最后一行的值。
- NTH_VALUE():获取窗口内第n行的值,如果存在多行则返回第一个。
-
窗口范围
- UNBOUNDED PRECEDING:从分区中的第一行开始(前面所有行)。
- CURRENT ROW:包括当前行。
- N PRECEDING:从当前行之前的第 nN行开始。
- N FOLLOWING:包括当前行之后第 N 行。
- UNBOUNDED FOLLOWING:到分区中的最后一行结束(后面所有行)。
Spark SQL内置函数
-
聚合函数 (Aggregate Functions)
函数 返回值 说明 approx_count_distinct Long 近似去重计数 (rsd=相对误差) collect_list Array 收集值到数组 (保留重复) collect_set Array 收集值到集合 (去重) corr Double 相关系数 (-1~1) covar_pop/covar_samp Double 总体/样本协方差 kurtosis Double 峰度 skewness Double 偏度 percentile_approx Double 近似百分位数 -
数组函数 (Array Functions)
函数 说明 array(e1, e2, ...) 转换为数组 array_contains(arr, val) 数组包含 array_distinct 数组去重 array_position(arr, val) 数组索引值 size 数组大小 -
Map 函数 (Map Functions)
函数 说明 map(k1,v1, k2,v2) 转化为map element_at(map, key) 根据键获取值 map_keys/map_values 获取键列表、值列表 map_entries 获取map entry -
日期时间函数 (Datetime Functions)
函数 说明 示例 date_add/date_sub 日期加减 date_add('2025-07-01', 7)
→2025-07-08
datediff 日期差 datediff('2025-06-01','2025-06-30')
→30
date_format 格式化 date_format(ts, 'yyyy-MM')
→"2025-07"
trunc 截断日期 trunc('2025-07-01', 'MONTH')
→2025-07-01
window 时间窗口 流处理中按时间聚合 -
JSON 函数 (JSON Functions)
函数 说明 示例 get_json_object JSON路径取值 get_json_object('{"a":1}', '$.a')
→1
json_tuple 多字段提取 json_tuple('{"name":"Bob"}', 'name')
→Bob
from_json 解析为结构体 from_json('{"id":1}', 'id INT')
to_json 结构体转JSON to_json(struct('Tom' AS name))
→'{"name":"Tom"}'
schema_of_json 推断Schema schema_of_json('[{"a":1}]')
→ARRAY<STRUCT<a:INT>>
-
字符串函数 (String Functions)
函数 说明 示例 concat_ws 字符串拼接join concat_ws('-','2025','07')
→"2025-07"
split 字符串解析转数组 split('a,b,c', ',')
→["a","b","c"]
regexp_extract 正则表达式 regexp_extract('id=100','id=(\\d+)',1)
→"100"
translate 字符串子串转化 translate('hello','el','ip')
→"hippo"
parse_url 解析URL parse_url('http://a.com?q=spark','QUERY')
→"q=spark"