第五篇：Spark SQL Catalyst源码分析之Optimizer

/** Spark SQL源码分析系列文章*/

前几篇文章介绍了Spark SQL的Catalyst的核心运行流程、SqlParser，和Analyzer 以及核心类库TreeNode，本文将详细讲解Spark SQL的Optimizer的优化思想以及Optimizer在Catalyst里的表现方式，并加上自己的实践，对Optimizer有一个直观的认识。

Optimizer的主要职责是将Analyzer给Resolved的Logical Plan根据不同的优化策略Batch，来对语法树进行优化，优化逻辑计划节点(Logical Plan)以及表达式(Expression)，也是转换成物理执行计划的前置。如下图：

一、Optimizer

Optimizer这个类是在catalyst里的optimizer包下的唯一一个类，Optimizer的工作方式其实类似Analyzer，因为它们都继承自RuleExecutor[LogicalPlan]，都是执行一系列的Batch操作：

Optimizer里的batches包含了3类优化策略：1、Combine Limits 合并Limits  2、ConstantFolding 常量合并 3、Filter Pushdown 过滤器下推,每个Batch里定义的优化伴随对象都定义在Optimizer里了：

1. object Optimizer extends RuleExecutor[LogicalPlan] {
2. val batches =
3. Batch("Combine Limits", FixedPoint(100),
4. CombineLimits) ::
5. Batch("ConstantFolding", FixedPoint(100),
6. NullPropagation,
7. ConstantFolding,
8. BooleanSimplification,
9. SimplifyFilters,
10. SimplifyCasts,
11. SimplifyCaseConversionExpressions) ::
12. Batch("Filter Pushdown", FixedPoint(100),
13. CombineFilters,
14. PushPredicateThroughProject,
15. PushPredicateThroughJoin,
16. ColumnPruning) :: Nil
17. }

另外提一点，Optimizer里不但对Logical Plan进行了优化，而且对Logical Plan中的Expression也进行了优化，所以有必要了解一下Expression相关类，主要是用到了references和outputSet，references主要是Logical Plan或Expression节点的所依赖的那些Expressions，而outputSet是Logical Plan所有的Attribute的输出：

如：Aggregate是一个Logical Plan， 它的references就是group by的表达式 和 aggreagate的表达式的并集去重。

1. case class Aggregate(
2. groupingExpressions: Seq[Expression],
3. aggregateExpressions: Seq[NamedExpression],
4. child: LogicalPlan)
5. extends UnaryNode {
6. override def output = aggregateExpressions.map(_.toAttribute)
7. override def references =
8. (groupingExpressions ++ aggregateExpressions).flatMap(_.references).toSet
9. }

二、优化策略详解

  Optimizer的优化策略不仅有对plan进行transform的，也有对expression进行transform的，究其原理就是遍历树，然后应用优化的Rule，但是注意一点，对Logical Plantransfrom的是先序遍历(pre-order)，而对Expression transfrom的时候是后序遍历(post-order)：

2.1、Batch: Combine Limits

如果出现了2个Limit，则将2个Limit合并为一个，这个要求一个Limit是另一个Limit的grandChild。

1. /**
2. * Combines two adjacent [[Limit]] operators into one, merging the
3. * expressions into one single expression.
4. */
5. object CombineLimits extends Rule[LogicalPlan] {
6. def apply(plan: LogicalPlan): LogicalPlan = plan transform {
7. case ll @ Limit(le, nl @ Limit(ne, grandChild)) => //ll为当前Limit,le为其expression， nl是ll的grandChild，ne是nl的expression
8. Limit(If(LessThan(ne, le), ne, le), grandChild) //expression比较，如果ne比le小则表达式为ne，否则为le
9. }
10. }

给定SQL：val query = sql("select * from (select * from temp_shengli limit 100)a limit 10 ")

1. scala> query.queryExecution.analyzed
2. res12: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Limit 10
4. Project [key#13,value#14]
5. Limit 100
6. Project [key#13,value#14]
7. MetastoreRelation default, temp_shengli, None

子查询里limit100,外层查询limit10，这里我们当然可以在子查询里不必查那么多，因为外层只需要10个，所以这里会合并Limit10，和Limit100 为 Limit 10。

2.2、Batch: ConstantFolding

这个Batch里包含了Rules：NullPropagation，ConstantFolding，BooleanSimplification，SimplifyFilters，SimplifyCasts，SimplifyCaseConversionExpressions。

2.2.1、Rule：NullPropagation

这里先提一下Literal字面量，它其实是一个能匹配任意基本类型的类。(为下文做铺垫)

1. object Literal {
2. def apply(v: Any): Literal = v match {
3. case i: Int => Literal(i, IntegerType)
4. case l: Long => Literal(l, LongType)
5. case d: Double => Literal(d, DoubleType)
6. case f: Float => Literal(f, FloatType)
7. case b: Byte => Literal(b, ByteType)
8. case s: Short => Literal(s, ShortType)
9. case s: String => Literal(s, StringType)
10. case b: Boolean => Literal(b, BooleanType)
11. case d: BigDecimal => Literal(d, DecimalType)
12. case t: Timestamp => Literal(t, TimestampType)
13. case a: Array[Byte] => Literal(a, BinaryType)
14. case null => Literal(null, NullType)
15. }
16. }

注意Literal是一个LeafExpression，核心方法是eval，给定Row，计算表达式返回值：

1. case class Literal(value: Any, dataType: DataType) extends LeafExpression {
2. override def foldable = true
3. def nullable = value == null
4. def references = Set.empty
5. override def toString = if (value != null) value.toString else "null"
6. type EvaluatedType = Any
7. override def eval(input: Row):Any = value
8. }

现在来看一下NullPropagation都做了什么。

NullPropagation是一个能将Expression Expressions替换为等价的Literal值的优化，并且能够避免NULL值在SQL语法树的传播。

1. /**
2. * Replaces [[Expression Expressions]] that can be statically evaluated with
3. * equivalent [[Literal]] values. This rule is more specific with
4. * Null value propagation from bottom to top of the expression tree.
5. */
6. object NullPropagation extends Rule[LogicalPlan] {
7. def apply(plan: LogicalPlan): LogicalPlan = plan transform {
8. case q: LogicalPlan => q transformExpressionsUp {
9. case e @ Count(Literal(null, _)) => Cast(Literal(0L), e.dataType) //如果count(null)则转化为count(0)
10. case e @ Sum(Literal(c, _)) if c == 0 => Cast(Literal(0L), e.dataType)<span style="font-family: Arial;">//如果sum(null)则转化为sum(0)</span>
11. case e @ Average(Literal(c, _)) if c == 0 => Literal(0.0, e.dataType)
12. case e @ IsNull(c) if !c.nullable => Literal(false, BooleanType)
13. case e @ IsNotNull(c) if !c.nullable => Literal(true, BooleanType)
14. case e @ GetItem(Literal(null, _), _) => Literal(null, e.dataType)
15. case e @ GetItem(_, Literal(null, _)) => Literal(null, e.dataType)
16. case e @ GetField(Literal(null, _), _) => Literal(null, e.dataType)
17. case e @ Coalesce(children) => {
18. val newChildren = children.filter(c => c match {
19. case Literal(null, _) => false
20. case _ => true
21. })
22. if (newChildren.length == 0) {
23. Literal(null, e.dataType)
24. } else if (newChildren.length == 1) {
25. newChildren(0)
26. } else {
27. Coalesce(newChildren)
28. }
29. }
30. case e @ If(Literal(v, _), trueValue, falseValue) => if (v == true) trueValue else falseValue
31. case e @ In(Literal(v, _), list) if (list.exists(c => c match {
32. case Literal(candidate, _) if candidate == v => true
33. case _ => false
34. })) => Literal(true, BooleanType)
35. // Put exceptional cases above if any
36. case e: BinaryArithmetic => e.children match {
37. case Literal(null, _) :: right :: Nil => Literal(null, e.dataType)
38. case left :: Literal(null, _) :: Nil => Literal(null, e.dataType)
39. case _ => e
40. }
41. case e: BinaryComparison => e.children match {
42. case Literal(null, _) :: right :: Nil => Literal(null, e.dataType)
43. case left :: Literal(null, _) :: Nil => Literal(null, e.dataType)
44. case _ => e
45. }
46. case e: StringRegexExpression => e.children match {
47. case Literal(null, _) :: right :: Nil => Literal(null, e.dataType)
48. case left :: Literal(null, _) :: Nil => Literal(null, e.dataType)
49. case _ => e
50. }
51. }
52. }
53. }

给定SQL: val query = sql("select count(null) from temp_shengli where key is not null")

1. scala> query.queryExecution.analyzed
2. res6: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Aggregate [], [COUNT(null) AS c0#5L] //这里count的是null
4. Filter IS NOT NULL key#7
5. MetastoreRelation default, temp_shengli, None

调用NullPropagation

1. scala> NullPropagation(query.queryExecution.analyzed)
2. res7: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Aggregate [], [CAST(0, LongType) AS c0#5L]  //优化后为0了
4. Filter IS NOT NULL key#7
5. MetastoreRelation default, temp_shengli, None

2.2.2、Rule：ConstantFolding

  常量合并是属于Expression优化的一种，对于可以直接计算的常量，不用放到物理执行里去生成对象来计算了，直接可以在计划里就计算出来：

1. object ConstantFolding extends Rule[LogicalPlan] {
2. def apply(plan: LogicalPlan): LogicalPlan = plan transform { //先对plan进行transform
3. case q: LogicalPlan => q transformExpressionsDown { //对每个plan的expression进行transform
4. // Skip redundant folding of literals.
5. case l: Literal => l
6. case e if e.foldable => Literal(e.eval(null), e.dataType) //调用eval方法计算结果
7. }
8. }
9. }

给定SQL： val query = sql("select 1+2+3+4 from temp_shengli")

1. scala> query.queryExecution.analyzed
2. res23: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [(((1 + 2) + 3) + 4) AS c0#21]  //这里还是常量表达式
4. MetastoreRelation default, src, None

优化后：

1. scala> query.queryExecution.optimizedPlan
2. res24: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [10 AS c0#21] //优化后，直接合并为10
4. MetastoreRelation default, src, None

2.2.3、BooleanSimplification

这个是对布尔表达式的优化，有点像java布尔表达式中的短路判断，不过这个写的倒是很优雅。

看看布尔表达式2边能不能通过只计算1边，而省去计算另一边而提高效率，称为简化布尔表达式。

解释请看我写的注释：

1. /**
2. * Simplifies boolean expressions where the answer can be determined without evaluating both sides.
3. * Note that this rule can eliminate expressions that might otherwise have been evaluated and thus
4. * is only safe when evaluations of expressions does not result in side effects.
5. */
6. object BooleanSimplification extends Rule[LogicalPlan] {
7. def apply(plan: LogicalPlan): LogicalPlan = plan transform {
8. case q: LogicalPlan => q transformExpressionsUp {
9. case and @ And(left, right) => //如果布尔表达式是AND操作，即exp1 and exp2
10. (left, right) match { //（左边表达式，右边表达式）
11. case (Literal(true, BooleanType), r) => r // 左边true，返回右边的<span style="font-family: Arial;">bool</span><span style="font-family: Arial;">值</span>
12. case (l, Literal(true, BooleanType)) => l //右边true，返回左边的bool值
13. case (Literal(false, BooleanType), _) => Literal(false)//左边都false，右边随便，反正是返回false
14. case (_, Literal(false, BooleanType)) => Literal(false)//只要有1边是false了，都是false
15. case (_, _) => and
16. }
17. case or @ Or(left, right) =>
18. (left, right) match {
19. case (Literal(true, BooleanType), _) => Literal(true) //只要左边是true了，不用判断右边都是true
20. case (_, Literal(true, BooleanType)) => Literal(true) //只要有一边是true，都返回true
21. case (Literal(false, BooleanType), r) => r //希望右边r是true
22. case (l, Literal(false, BooleanType)) => l
23. case (_, _) => or
24. }
25. }
26. }
27. }

2.3 Batch: Filter Pushdown

Filter Pushdown下包含了CombineFilters、PushPredicateThroughProject、PushPredicateThroughJoin、ColumnPruning

Ps：感觉Filter Pushdown的名字起的有点不能涵盖全部比如ColumnPruning列裁剪。

2.3.1、Combine Filters

 合并两个相邻的Filter,这个和上述Combine Limit差不多。合并2个节点，就可以减少树的深度从而减少重复执行过滤的代价。

1. /**
2. * Combines two adjacent [[Filter]] operators into one, merging the
3. * conditions into one conjunctive predicate.
4. */
5. object CombineFilters extends Rule[LogicalPlan] {
6. def apply(plan: LogicalPlan): LogicalPlan = plan transform {
7. case ff @ Filter(fc, nf @ Filter(nc, grandChild)) => Filter(And(nc, fc), grandChild)
8. }
9. }

给定SQL：val query = sql("select key from (select key from temp_shengli where key >100)a where key > 80 ")

优化前：我们看到一个filter 是另一个filter的grandChild

1. scala> query.queryExecution.analyzed
2. res25: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [key#27]
4. Filter (key#27 > 80) //filter>80
5. Project [key#27]
6. Filter (key#27 > 100) //filter>100
7. MetastoreRelation default, src, None

优化后：其实filter也可以表达为一个复杂的boolean表达式

1. scala> query.queryExecution.optimizedPlan
2. res26: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [key#27]
4. Filter ((key#27 > 100) && (key#27 > 80)) //合并为1个
5. MetastoreRelation default, src, None

2.3.2  Filter Pushdown

Filter Pushdown，过滤器下推。

原理就是更早的过滤掉不需要的元素来减少开销。

给定SQL：val query = sql("select key from (select * from temp_shengli)a where key>100")

生成的逻辑计划为：

1. scala> scala> query.queryExecution.analyzed
2. res29: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [key#31]
4. Filter (key#31 > 100) //先select key, value，然后再Filter
5. Project [key#31,value#32]
6. MetastoreRelation default, src, None

优化后的计划为：

1. query.queryExecution.optimizedPlan
2. res30: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [key#31]
4. Filter (key#31 > 100) //先filter,然后再select
5. MetastoreRelation default, src, None

2.3.3、ColumnPruning

  列裁剪用的比较多，就是减少不必要select的某些列。

  列裁剪在3种地方可以用：

  1、在聚合操作中，可以做列裁剪

  2、在join操作中，左右孩子可以做列裁剪

  3、合并相邻的Project的列

1. object ColumnPruning extends Rule[LogicalPlan] {
2. def apply(plan: LogicalPlan): LogicalPlan = plan transform {
3. // Eliminate attributes that are not needed to calculate the specified aggregates.
4. case a @ Aggregate(_, _, child) if (child.outputSet -- a.references).nonEmpty => ////如果project的outputSet中减去a.references的元素如果不同，那么就将Aggreagte的child替换为a.references
5. a.copy(child = Project(a.references.toSeq, child))
6. // Eliminate unneeded attributes from either side of a Join.
7. case Project(projectList, Join(left, right, joinType, condition)) =>// 消除join的left 和 right孩子的不必要属性，将join的左右子树的列进行裁剪
8. // Collect the list of off references required either above or to evaluate the condition.
9. val allReferences: Set[Attribute] =
10. projectList.flatMap(_.references).toSet ++ condition.map(_.references).getOrElse(Set.empty)
11. /** Applies a projection only when the child is producing unnecessary attributes */
12. def prunedChild(c: LogicalPlan) =
13. if ((c.outputSet -- allReferences.filter(c.outputSet.contains)).nonEmpty) {
14. Project(allReferences.filter(c.outputSet.contains).toSeq, c)
15. } else {
16. c
17. }
18. Project(projectList, Join(prunedChild(left), prunedChild(right), joinType, condition))
19. // Combine adjacent Projects.
20. case Project(projectList1, Project(projectList2, child)) => //合并相邻Project的列
21. // Create a map of Aliases to their values from the child projection.
22. // e.g., 'SELECT ... FROM (SELECT a + b AS c, d ...)' produces Map(c -> Alias(a + b, c)).
23. val aliasMap = projectList2.collect {
24. case a @ Alias(e, _) => (a.toAttribute: Expression, a)
25. }.toMap
26. // Substitute any attributes that are produced by the child projection, so that we safely
27. // eliminate it.
28. // e.g., 'SELECT c + 1 FROM (SELECT a + b AS C ...' produces 'SELECT a + b + 1 ...'
29. // TODO: Fix TransformBase to avoid the cast below.
30. val substitutedProjection = projectList1.map(_.transform {
31. case a if aliasMap.contains(a) => aliasMap(a)
32. }).asInstanceOf[Seq[NamedExpression]]
33. Project(substitutedProjection, child)
34. // Eliminate no-op Projects
35. case Project(projectList, child) if child.output == projectList => child
36. }
37. }

分别举三个例子来对应三种情况进行说明：

1、在聚合操作中，可以做列裁剪

给定SQL：val query = sql("SELECT 1+1 as shengli, key from (select key, value from temp_shengli)a group by key")

优化前：

1. res57: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
2. Aggregate [key#51], [(1 + 1) AS shengli#49,key#51]
3. Project [key#51,value#52] //优化前默认select key 和 value两列
4. MetastoreRelation default, temp_shengli, None

优化后：

1. scala> ColumnPruning1(query.queryExecution.analyzed)
2. MetastoreRelation default, temp_shengli, None
3. res59: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
4. Aggregate [key#51], [(1 + 1) AS shengli#49,key#51]
5. Project [key#51]  //优化后，列裁剪掉了value，只select key
6. MetastoreRelation default, temp_shengli, None

2、在join操作中，左右孩子可以做列裁剪

给定SQL：val query = sql("select a.value qween from (select * from temp_shengli) a join (select * from temp_shengli)b  on a.key =b.key ")
没有优化之前：

1. scala> query.queryExecution.analyzed
2. res51: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [value#42 AS qween#39]
4. Join Inner, Some((key#41 = key#43))
5. Project [key#41,value#42]  //这里多select了一列，即value
6. MetastoreRelation default, temp_shengli, None
7. Project [key#43,value#44]  //这里多select了一列，即value
8. MetastoreRelation default, temp_shengli, None

优化后：（ColumnPruning2是我自己调试用的）

1. scala> ColumnPruning2(query.queryExecution.analyzed)
2. allReferences is -> Set(key#35, key#37)
3. MetastoreRelation default, temp_shengli, None
4. MetastoreRelation default, temp_shengli, None
5. res47: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
6. Project [key#35 AS qween#33]
7. Join Inner, Some((key#35 = key#37))
8. Project [key#35]   //经过列裁剪之后，left Child只需要select key这一个列
9. MetastoreRelation default, temp_shengli, None
10. Project [key#37]   //经过列裁剪之后，right Child只需要select key这一个列
11. MetastoreRelation default, temp_shengli, None

3、合并相邻的Project的列，裁剪

给定SQL：val query = sql("SELECT c + 1 FROM (SELECT 1 + 1 as c from temp_shengli ) a ")

优化前：

1. scala> query.queryExecution.analyzed
2. res61: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [(c#56 + 1) AS c0#57]
4. Project [(1 + 1) AS c#56]
5. MetastoreRelation default, temp_shengli, None

优化后：

1. scala> query.queryExecution.optimizedPlan
2. res62: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [(2 AS c#56 + 1) AS c0#57] //将子查询里的c 代入到 外层select里的c，直接计算结果
4. MetastoreRelation default, temp_shengli, None

三、总结：

本文介绍了Optimizer在Catalyst里的作用即将Analyzed Logical Plan 经过对Logical Plan和Expression进行Rule的应用transfrom，从而达到树的节点进行合并和优化。其中主要的优化的策略总结起来是合并、列裁剪、过滤器下推几大类。

Catalyst应该在不断迭代中，本文只是基于spark1.0.0进行研究，后续如果新加入的优化策略也会在后续补充进来。

欢迎大家讨论，共同进步！

——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/38121259

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/38121259