Spark SQL之External DataSource外部数据源
http://blog.csdn.net/oopsoom/article/details/42061077
一、Spark SQL External DataSource简介
随着Spark1.2的发布，Spark SQL开始正式支持外部数据源。Spark SQL开放了一系列接入外部数据源的接口，来让开发者可以实现。
这使得Spark SQL支持了更多的类型数据源，如json, parquet, avro, csv格式。只要我们愿意，我们可以开发出任意的外部数据源来连接到Spark SQL。之前大家说的支持HBASE，Cassandra都可以用外部数据源的方式来实现无缝集成。
二、External DataSource
拿Spark1.2的json为例，它支持已经改为了实现了外部数据源的接口方式。所以除了先前我们操作json的API，又多了一种DDL创建外部数据源的方式。
parquetFile的操作方式也如下类似，就不一一列举了。
2.1 SQL方式 CREATE TEMPORARY TABLE USING OPTIONS
在Spark1.2之后，支持了一种CREATE TEMPORARY TABLE USING OPTIONS的DDL语法来创建外部数据源的表。
- CREATE TEMPORARY TABLE jsonTable
- USING org.apache.spark.sql.json
- OPTIONS (
- path '/path/to/data.json'
- )
1、操作示例：
我们拿example下people.json文件来做示例。
- shengli-mac$ cat /Users/shengli/git_repos/spark/examples/src/main/resources/people.json
- {"name":"Michael"}
- {"name":"Andy", "age":30}
- {"name":"Justin", "age":19}
- 14/12/21 16:32:14 INFO repl.SparkILoop: Created spark context..
- Spark context available as sc.
- scala> import org.apache.spark.sql.SQLContext
- import org.apache.spark.sql.SQLContext
- scala> val sqlContext = new SQLContext(sc)
- sqlContext: org.apache.spark.sql.SQLContext = org.apache.spark.sql.SQLContext@7be62956
- scala> import sqlContext._
- import sqlContext._
- //创建jsonTable外部数据源表，并且指定其数数据源文件是people.json这个json文件，同时指定使用org.apache.spark.sql.json该类型的隐式转化类(这个后续文章会介绍)
- scala> val jsonDDL = s"""
- | |CREATE TEMPORARY TABLE jsonTable
- | |USING org.apache.spark.sql.json
- | |OPTIONS (
- | | path 'file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json'
- | |)""".stripMargin
- jsonDDL: String =
- "
- CREATE TEMPORARY TABLE jsonTable
- USING org.apache.spark.sql.json
- OPTIONS (
- path 'file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json'
- )"
- scala> sqlContext.sql(jsonDDL).collect() //创建该外部数据源表jsonTable
- 14/12/21 16:44:27 INFO scheduler.DAGScheduler: Job 0 finished: reduce at JsonRDD.scala:57, took 0.204461 s
- res0: Array[org.apache.spark.sql.Row] = Array()
我们来看下该schemaRDD:
- scala> val jsonSchema = sqlContext.sql(jsonDDL)
- jsonSchema: org.apache.spark.sql.SchemaRDD =
- SchemaRDD[7] at RDD at SchemaRDD.scala:108
- == Query Plan ==
- == Physical Plan ==
- ExecutedCommand (CreateTableUsing jsonTable, org.apache.spark.sql.json, Map(path -> file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json))
ExecutedCommand来取把数据用spark.sql.json的方式从path加载到jsonTable中。涉及到得类是CreateTableUsing，后续源码分析会讲到。
各阶段执行计划情况：
- scala> sqlContext.sql("select * from jsonTable").queryExecution
- res6: org.apache.spark.sql.SQLContext#QueryExecution =
- == Parsed Logical Plan ==
- 'Project [*]
- 'UnresolvedRelation None, jsonTable, None
- == Analyzed Logical Plan ==
- Project [age#0,name#1]
- Relation[age#0,name#1] JSONRelation(file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json,1.0)
- == Optimized Logical Plan ==
- Relation[age#0,name#1] JSONRelation(file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json,1.0)
- == Physical Plan ==
- PhysicalRDD [age#0,name#1], MapPartitionsRDD[27] at map at JsonRDD.scala:47
- Code Generation: false
- == RDD ==
至此，创建加载外部数据源到Spark SQL已经完成。
我们可以使用任何我们希望的方式来查询：
3、SQL查询方式：
- scala> sqlContext.sql("select * from jsonTable")
- 21 16:52:13 INFO spark.SparkContext: Created broadcast 6 from textFile at JSONRelation.scala:39
- res2: org.apache.spark.sql.SchemaRDD =
- SchemaRDD[20] at RDD at SchemaRDD.scala:108
- == Query Plan ==
- == Physical Plan ==
- PhysicalRDD [age#2,name#3], MapPartitionsRDD[24] at map at JsonRDD.scala:47
执行查询：
scala> sqlContext.sql("select * from jsonTable").collect()
res1: Array[org.apache.spark.sql.Row] = Array([null,Michael], [30,Andy], [19,Justin])
2.2 API方式
sqlContext.jsonFile
- scala> val json = sqlContext.jsonFile("file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json")
- scala> json.registerTempTable("jsonFile")
- scala> sql("select * from jsonFile").collect()
- res2: Array[org.apache.spark.sql.Row] = Array([null,Michael], [30,Andy], [19,Justin])
总的来说，Spark SQL 在努力的向各种数据源靠拢，希望让Spark SQL能和其它许多类型的数据源的集成。
Spark SQL提供的了一种创建加载外部数据源表的DDL语法：CREATE TEMPORARY TABLE USING OPTIONS
Spark SQL对外开放了一系列的扩展接口，能够通过实现这些接口，来实现对不同的数据源接入，如avro, csv, parquet,json, etc
三、Sources包核心
Spark SQL在Spark1.2中提供了External DataSource API，开发者可以根据接口来实现自己的外部数据源，如avro, csv, json, parquet等等。
在Spark SQL源代码的org/spark/sql/sources目录下，我们会看到关于External DataSource的相关代码。这里特别介绍几个:
1、DDLParser
专门负责解析外部数据源SQL的SqlParser，解析create temporary table xxx using options (key 'value', key 'value') 创建加载外部数据源表的语句。
- protected lazy val createTable: Parser[LogicalPlan] =
- CREATE ~ TEMPORARY ~ TABLE ~> ident ~ (USING ~> className) ~ (OPTIONS ~> options) ^^ {
- case tableName ~ provider ~ opts =>
- CreateTableUsing(tableName, provider, opts)
- }
2、CreateTableUsing
一个RunnableCommand，通过反射从外部数据源lib中实例化Relation，然后注册到为temp table。
- private[sql] case class CreateTableUsing(
- tableName: String,
- provider: String, // org.apache.spark.sql.json
- options: Map[String, String]) extends RunnableCommand {
- def run(sqlContext: SQLContext) = {
- val loader = Utils.getContextOrSparkClassLoader
- val clazz: Class[_] = try loader.loadClass(provider) catch { //do reflection
- case cnf: java.lang.ClassNotFoundException =>
- try loader.loadClass(provider + ".DefaultSource") catch {
- case cnf: java.lang.ClassNotFoundException =>
- sys.error(s"Failed to load class for data source: $provider")
- }
- }
- val dataSource = clazz.newInstance().asInstanceOf[org.apache.spark.sql.sources.RelationProvider] //json包DefaultDataSource
- val relation = dataSource.createRelation(sqlContext, new CaseInsensitiveMap(options))//创建JsonRelation
- sqlContext.baseRelationToSchemaRDD(relation).registerTempTable(tableName)//注册
- Seq.empty
- }
- }
2、DataSourcesStrategy
在 Strategy 一文中，我已讲过Streategy的作用，用来Plan生成物理计划的。这里提供了一种专门为了解析外部数据源的策略。
最后会根据不同的BaseRelation生产不同的PhysicalRDD。不同的BaseRelation的scan策略下文会介绍。
- private[sql] object DataSourceStrategy extends Strategy {
- def apply(plan: LogicalPlan): Seq[SparkPlan] = plan match {
- case PhysicalOperation(projectList, filters, l @ LogicalRelation(t: CatalystScan)) =>
- pruneFilterProjectRaw(
- l,
- projectList,
- filters,
- (a, f) => t.buildScan(a, f)) :: Nil
- ......
- case l @ LogicalRelation(t: TableScan) =>
- execution.PhysicalRDD(l.output, t.buildScan()) :: Nil
- case _ => Nil
- }
该文件定义了一系列可扩展的外部数据源接口，对于想要接入的外部数据源，我们只需实现该接口即可。里面比较重要的trait RelationProvider 和 BaseRelation，下文会详细介绍。
4、filters.scala
该Filter定义了如何在加载外部数据源的时候，就进行过滤。注意哦，是加载外部数据源到Table里的时候，而不是Spark里进行filter。这个有点像hbase的coprocessor，查询过滤在Server上就做了，不在Client端做过滤。
5、LogicalRelation
封装了baseRelation，继承了catalyst的LeafNode,实现MultiInstanceRelation。
四、External DataSource注册流程
用spark sql下sql/json来做示例, 画了一张流程图，如下：
注册外部数据源的表的流程：
1、提供一个外部数据源文件，比如json文件。
2、提供一个实现了外部数据源所需要的interfaces的类库，比如sql下得json包，在1.2版本后改为了External Datasource实现。
3、引入SQLContext，使用DDL创建表，如create temporary table xxx using options (key 'value', key 'value')
4、External Datasource的DDLParser将对该SQL进行Parse
5、Parse后封装成为一个CreateTableUsing类的对象。该类是一个RunnableCommand，其run方法会直接执行创建表语句。
6、该类会通过反射来创建一个org.apache.spark.sql.sources.RelationProvider，该trait定义要createRelation，如json，则创建JSONRelation，若avro,则创建AvroRelation。
7、得到external releation后，直接调用SQLContext的baseRelationToSchemaRDD转换为SchemaRDD
8、最后registerTempTable(tableName) 来注册为Table，可以用SQL来查询了。
五、External DataSource解析流程
先看图，图如下：
Spark SQL解析SQL流程如下：
1、Analyzer通过Rule解析，将UnresolvedRelation解析为JsonRelation。
2、通过Parse，Analyzer，Optimizer最后得到JSONRelation(file:///path/to/shengli.json,1.0)
3、通过sources下得DataSourceStrategy将LogicalPlan映射到物理计划PhysicalRDD。
4、PhysicalRDD里包含了如何查询外部数据的规则，可以调用execute()方法来执行Spark查询。
六、External Datasource Interfaces
在第一节我已经介绍过，主要的interfaces，主要看一下BaseRelation和RelationProvider。
如果我们要实现一个外部数据源，比如avro数据源，支持spark sql操作avro file。那么久必须定义AvroRelation来继承BaseRelation。同时也要实现一个RelationProvider。
BaseRelation：
是外部数据源的抽象，里面存放了
schema的映射，和
如何scan数据的规则。
- abstract class BaseRelation {
- def sqlContext: SQLContext
- def schema: StructType
- abstract class PrunedFilteredScan extends BaseRelation {
- def buildScan(requiredColumns: Array[String], filters: Array[Filter]): RDD[Row]
- }
2、buildScan我们定义如何查询外部数据源，提供了4种Scan的策略，对应4种BaseRelation。
我们支持4种BaseRelation，分为TableScan， PrunedScan，PrunedFilterScan，CatalystScan。
1、
TableScan：
默认的Scan策略。
2、
PrunedScan：
这里可以传入指定的列，requiredColumns，列裁剪，不需要的列不会从外部数据源加载。
3、
PrunedFilterScan：
在列裁剪的基础上，并且加入Filter机制，在加载数据也的时候就进行过滤，而不是在客户端请求返回时做Filter。
4、
CatalystScan：
Catalyst的支持传入expressions来进行Scan。支持列裁剪和Filter。
RelationProvider：
我们要实现这个，接受Parse后传入的参数，来生成对应的External Relation，就是一个反射生产外部数据源Relation的接口。
- trait RelationProvider {
- /**
- * Returns a new base relation with the given parameters.
- * Note: the parameters' keywords are case insensitive and this insensitivity is enforced
- * by the Map that is passed to the function.
- */
- def createRelation(sqlContext: SQLContext, parameters: Map[String, String]): BaseRelation
- }
七、External Datasource定义示例
在Spark1.2之后，json和parquet也改为通过实现External API来进行外部数据源查询的。
下面以json的外部数据源定义为示例，说明是如何实现的：
1、JsonRelation
定义处理对于json文件的，schema和Scan策略，均基于JsonRDD，细节可以自行阅读JsonRDD。
- private[sql] case class JSONRelation(fileName: String, samplingRatio: Double)(
- @transient val sqlContext: SQLContext)
- extends TableScan {
- private def baseRDD = sqlContext.sparkContext.textFile(fileName) //读取json file
- override val schema =
- JsonRDD.inferSchema( // jsonRDD的inferSchema方法，能自动识别json的schema，和类型type。
- baseRDD,
- samplingRatio,
- sqlContext.columnNameOfCorruptRecord)
- override def buildScan() =
- JsonRDD.jsonStringToRow(baseRDD, schema, sqlContext.columnNameOfCorruptRecord) //这里还是JsonRDD，调用jsonStringToRow查询返回Row
- }
2、DefaultSource
parameters中可以获取到options中传入的path等自定义参数。
这里接受传入的参数，来狗仔JsonRelation。
- private[sql] class DefaultSource extends RelationProvider {
- /** Returns a new base relation with the given parameters. */
- override def createRelation(
- sqlContext: SQLContext,
- parameters: Map[String, String]): BaseRelation = {
- val fileName = parameters.getOrElse("path", sys.error("Option 'path' not specified"))
- val samplingRatio = parameters.get("samplingRatio").map(_.toDouble).getOrElse(1.0)
- JSONRelation(fileName, samplingRatio)(sqlContext)
- }
- }
八、总结
External DataSource源码分析下来，可以总结为3部分。
1、外部数据源的注册流程
2、外部数据源Table查询的计划解析流程
3、如何自定义一个外部数据源，重写BaseRelation定义外部数据源的schema和scan的规则。定义RelationProvider，如何生成外部数据源Relation。
External Datasource此部分API还有可能在后续的build中改动，目前只是涉及到了查询，关于其它的操作还未涉及。
——EOF——
原创文章，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/42064075
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。