第十篇：Spark SQL 源码分析之 In-Memory Columnar Storage源码分析之 query

Posted 2020-10-08 累吗？累就对了，舒服是留给死人的...

/** Spark SQL源码分析系列文章*/

    前面讲到了Spark SQL In-Memory Columnar Storage的存储结构是基于列存储的。

    那么基于以上存储结构，我们查询cache在jvm内的数据又是如何查询的，本文将揭示查询In-Memory Data的方式。

一、引子

本例使用hive console里查询cache后的src表。

select value from src

当我们将src表cache到了内存后，再次查询src，可以通过analyzed执行计划来观察内部调用。

即parse后，会形成InMemoryRelation结点，最后执行物理计划时，会调用InMemoryColumnarTableScan这个结点的方法。

如下：

 

[java] view plain copy

 

1. scala> val exe = executePlan(sql("select value from src").queryExecution.analyzed)  
2. 14/09/26 10:30:26 INFO parse.ParseDriver: Parsing command: select value from src  
3. 14/09/26 10:30:26 INFO parse.ParseDriver: Parse Completed  
4. exe: org.apache.spark.sql.hive.test.TestHive.QueryExecution =   
5. == Parsed Logical Plan ==  
6. Project [value#5]  
7.  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)  
8.   
9. == Analyzed Logical Plan ==  
10. Project [value#5]  
11.  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)  
12.   
13. == Optimized Logical Plan ==  
14. Project [value#5]  
15.  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)  
16.   
17. == Physical Plan ==  
18. InMemoryColumnarTableScan [value#5], (InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)) //查询内存中表的入口  
19.   
20. Code Generation: false  
21. == RDD ==  

 

二、InMemoryColumnarTableScan

InMemoryColumnarTableScan是Catalyst里的一个叶子结点，包含了要查询的attributes，和InMemoryRelation（封装了我们缓存的In-Columnar Storage数据结构）。

执行叶子节点，出发execute方法对内存数据进行查询。

1、查询时，调用InMemoryRelation，对其封装的内存数据结构的每个分区进行操作。

2、获取要请求的attributes，如上，查询请求的是src表的value属性。

3、根据目的查询表达式，来获取在对应存储结构中，请求列的index索引。

4、通过ColumnAccessor来对每个buffer进行访问，获取对应查询数据，并封装为Row对象返回。

 

[java] view plain copy

 

1. private[sql] case class InMemoryColumnarTableScan(  
2.     attributes: Seq[Attribute],  
3.     relation: InMemoryRelation)  
4.   extends LeafNode {  
5.   
6.   
7.   override def output: Seq[Attribute] = attributes  
8.   
9.   
10.   override def execute() = {  
11.     relation.cachedColumnBuffers.mapPartitions { iterator =>  
12.       // Find the ordinals of the requested columns.  If none are requested, use the first.  
13.       val requestedColumns = if (attributes.isEmpty) {  
14.         Seq(0)  
15.       } else {  
16.         attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId)) //根据表达式exprId找出对应列的ByteBuffer的索引  
17.       }  
18.   
19.   
20.       iterator  
21.         .map(batch => requestedColumns.map(batch(_)).map(ColumnAccessor(_)))//根据索引取得对应请求列的ByteBuffer，并封装为ColumnAccessor。  
22.         .flatMap { columnAccessors =>  
23.           val nextRow = new GenericMutableRow(columnAccessors.length) //Row的长度  
24.           new Iterator[Row] {  
25.             override def next() = {  
26.               var i = 0  
27.               while (i < nextRow.length) {  
28.                 columnAccessors(i).extractTo(nextRow, i) //根据对应index和长度，从byterbuffer里取得值，封装到row里  
29.                 i += 1  
30.               }  
31.               nextRow  
32.             }  
33.   
34.   
35.             override def hasNext = columnAccessors.head.hasNext  
36.           }  
37.         }  
38.     }  
39.   }  
40. }  

 

查询请求的列，如下：

[java] view plain copy

 

1. scala> exe.optimizedPlan  
2. res93: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   
3. Project [value#5]  
4.  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)  
5.   
6.   
7. scala> val relation =  exe.optimizedPlan(1)  
8. relation: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   
9. InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)  
10.   
11.   
12. scala> val request_relation = exe.executedPlan  
13. request_relation: org.apache.spark.sql.execution.SparkPlan =   
14. InMemoryColumnarTableScan [value#5], (InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None))  
15.   
16.   
17. scala> request_relation.output //请求的列，我们请求的只有value列  
18. res95: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(value#5)  
19.   
20. scala> relation.output //默认保存在relation中的所有列  
21. res96: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(key#4, value#5)  
22.   
23.   
24. scala> val attributes = request_relation.output   
25. attributes: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(value#5)  

整个流程很简洁，关键步骤是第三步。根据ExprId来查找到，请求列的索引

attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId))

 

[java] view plain copy

 

1. //根据exprId找出对应ID  
2. scala> val attr_index = attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId))  
3. attr_index: Seq[Int] = ArrayBuffer(1) //找到请求的列value的索引是1, 我们查询就从Index为1的bytebuffer中，请求数据  
4.   
5. scala> relation.output.foreach(e=>println(e.exprId))  
6. ExprId(4)    //对应<span style="font-family: Arial, Helvetica, sans-serif;">[key#4,value#5]</span>  
7. ExprId(5)  
8.   
9. scala> request_relation.output.foreach(e=>println(e.exprId))  
10. ExprId(5)  

三、ColumnAccessor

ColumnAccessor对应每一种类型，类图如下：

最后返回一个新的迭代器：

 

[java] view plain copy

 

1. new Iterator[Row] {  
2.   override def next() = {  
3.     var i = 0  
4.     while (i < nextRow.length) { //请求列的长度  
5.       columnAccessors(i).extractTo(nextRow, i)//调用columnType.setField(row, ordinal, extractSingle(buffer))解析buffer  
6.       i += 1  
7.     }  
8.     nextRow//返回解析后的row  
9.   }  
10.   
11.   override def hasNext = columnAccessors.head.hasNext  
12. }  

 

四、总结

 

    Spark SQL In-Memory Columnar Storage的查询相对来说还是比较简单的，其查询思想主要和存储的数据结构有关。

    即存储时，按每列放到一个bytebuffer,形成一个bytebuffer数组。

    查询时，根据请求列的exprId查找到上述数组的索引，然后使用ColumnAccessor对buffer中字段进行解析，最后封装为Row对象，返回。

——EOF——

 

创文章，转载请注明：

转载自：OopsOutOfMemory盛利的Blog，作者： OopsOutOfMemory

本文链接地址：http://blog.csdn.net/oopsoom/article/details/39577419

注：本文基于署名-非商业性使用-禁止演绎 2.5 中国大陆(CC BY-NC-ND 2.5 CN)协议，欢迎转载、转发和评论，但是请保留本文作者署名和文章链接。如若需要用于商业目的或者与授权方面的协商，请联系我。

转自：http://blog.csdn.net/oopsoom/article/details/39577419