Spark-SparkSQL深入学习系列十（转自OopsOutOfMemory）

    /** 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：

 scala> val exe = executePlan(sql("select value from src").queryExecution.analyzed)
 14/09/26 10:30:26 INFO parse.ParseDriver: Parsing command: select value from src
 14/09/26 10:30:26 INFO parse.ParseDriver: Parse Completed
 exe: org.apache.spark.sql.hive.test.TestHive.QueryExecution =
 == Parsed Logical Plan ==
 Project [value#5]
  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)

 == Analyzed Logical Plan ==
 Project [value#5]
  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)

 == Optimized Logical Plan ==
 Project [value#5]
  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)

 == Physical Plan ==
 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

 Code Generation: false
 == 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。

 private[sql] case class InMemoryColumnarTableScan(
     attributes: Seq[Attribute],
     relation: InMemoryRelation)
   extends LeafNode {


   override def output: Seq[Attribute] = attributes


   override def execute() = {
     relation.cachedColumnBuffers.mapPartitions { iterator =>
       // Find the ordinals of the requested columns.  If none are requested, use the first.
       val requestedColumns = if (attributes.isEmpty) {
         Seq(0)
       } else {
         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
       }


       iterator
         .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。
         .flatMap { columnAccessors =>
           val nextRow = new GenericMutableRow(columnAccessors.length) //Row的长度
           new Iterator[Row] {
             override def next() = {
               var i = 0
               while (i < nextRow.length) {
                 columnAccessors(i).extractTo(nextRow, i) //根据对应index和长度，从byterbuffer里取得值，封装到row里
                 i += 1
               }
               nextRow
             }


             override def hasNext = columnAccessors.head.hasNext
           }
         }
     }
   }
 }

查询请求的列，如下：

 scala> exe.optimizedPlan
 res93: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
 Project [value#5]
  InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)


 scala> val relation =  exe.optimizedPlan(1)
 relation: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
 InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)


 scala> val request_relation = exe.executedPlan
 request_relation: org.apache.spark.sql.execution.SparkPlan =
 InMemoryColumnarTableScan [value#5], (InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None))


 scala> request_relation.output //请求的列，我们请求的只有value列
 res95: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(value#5)

 scala> relation.output //默认保存在relation中的所有列
 res96: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(key#4, value#5)


 scala> val attributes = request_relation.output
 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))

 //根据exprId找出对应ID
 scala> val attr_index = attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId))
 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

 scala> relation.output.foreach(e=>println(e.exprId))
 ExprId(4)    //对应[key#4,value#5]
 ExprId(5)

 scala> request_relation.output.foreach(e=>println(e.exprId))
 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：

 new Iterator[Row] {
   override def next() = {
     var i = 0
     while (i < nextRow.length) { //请求列的长度
       columnAccessors(i).extractTo(nextRow, i)//调用columnType.setField(row, ordinal, extractSingle(buffer))解析buffer
       i += 1
     }
     nextRow//返回解析后的row
   }

   override def hasNext = columnAccessors.head.hasNext
 }

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。