Spark的执行计划

Spark 3.0 大版本发布，Spark SQL 的优化占比将近 50%。Spark SQL 取代 Spark Core，成为新一代的引擎内核，所有其他子框架如 Mllib、Streaming 和 Graph，都可以共享 Spark SQL 的性能优化，都能从 Spark 社区对于 Spark SQL 的投入中受益。

要优化SparkSQL应用时，一定是要了解SparkSQL执行计划的。发现SQL执行慢的根本原因，才能知道应该在哪儿进行优化，是调整SQL的编写方式、还是用Hint、还是调参，而不是把优化方案拿来试一遍。

1准备测试用表和数据

1、上传3个log到hdfs新建的sparkdata路径

2、hive中创建sparktuning数据库

3、执行

spark-submit --master yarn --deploy-mode client --driver-memory 1g --num-executors 3 --executor-cores 2 --executor-memory 4g  --class com.atguigu.sparktuning.utils.InitUtil spark-tuning-1.0-SNAPSHOT-jar-with-dependencies.jar

2 基本语法

.explain(mode="xxx")

从3.0开始，explain方法有一个新的参数mode，该参数可以指定执行计划展示格式：

• explain(mode="simple")：只展示物理执行计划。
• explain(mode="extended")：展示物理执行计划和逻辑执行计划。
• explain(mode="codegen") ：展示要Codegen生成的可执行Java代码。
• explain(mode="cost")：展示优化后的逻辑执行计划以及相关的统计。
• explain(mode="formatted")：以分隔的方式输出，它会输出更易读的物理执行计划，并展示每个节点的详细信息。

3 执行计划处理流程

核心的执行过程一共有5个步骤：

这些操作和计划都是Spark SQL自动处理的，会生成以下计划：

• Unresolved逻辑执行计划：== Parsed Logical Plan ==

Parser组件检查SQL语法上是否有问题，然后生成Unresolved（未决断）的逻辑计划，不检查表名、不检查列名。

• Resolved逻辑执行计划：== Analyzed Logical Plan ==

通过访问Spark中的Catalog存储库来解析验证语义、列名、类型、表名等。

• 优化后的逻辑执行计划：== Optimized Logical Plan ==

Catalyst优化器根据各种规则进行优化。

• 物理执行计划：== Physical Plan ==

1）HashAggregate运算符表示数据聚合，一般HashAggregate是成对出现，第一个HashAggregate是将执行节点本地的数据进行局部聚合，另一个HashAggregate是将各个分区的数据进一步进行聚合计算。

2）Exchange运算符其实就是shuffle，表示需要在集群上移动数据。很多时候HashAggregate会以Exchange分隔开来。

3）Project运算符是SQL中的投影操作，就是选择列（例如：select name, age…）。

4）BroadcastHashJoin运算符表示通过基于广播方式进行HashJoin。

5）LocalTableScan运算符就是全表扫描本地的表。

4 案例实操

将提供的代码打成jar包，提交到yarn运行

spark-submit --master yarn --deploy-mode client --driver-memory 1g --num-executors 3 --executor-cores 2 --executor-memory 4g  --class com.atguigu.sparktuning.explain.ExplainDemo spark-tuning-1.0-SNAPSHOT-jar-with-dependencies.jar