第四篇：Spark SQL Catalyst源码分析之TreeNode Library

/** 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，本来打算直接写Optimizer的，但是发现忘记介绍TreeNode这个Catalyst的核心概念，介绍这个可以更好的理解Optimizer是如何对Analyzed Logical Plan进行优化的生成Optimized Logical Plan，本文就将TreeNode基本架构进行解释。

一、TreeNode类型

TreeNode Library是Catalyst的核心类库，语法树的构建都是由一个个TreeNode组成。TreeNode本身是一个BaseType <: TreeNode[BaseType] 的类型，并且实现了Product这个trait，这样可以存放异构的元素了。
   TreeNode有三种形态：BinaryNode、UnaryNode、Leaf Node. 
   在Catalyst里，这些Node都是继承自Logical Plan，可以说每一个TreeNode节点就是一个Logical Plan(包含Expression）（直接继承自TreeNode）

主要继承关系类图如下：

1、BinaryNode

二元节点，即有左右孩子的二叉节点

1. [[TreeNode]] that has two children, [[left]] and [[right]].
2. trait BinaryNode[BaseType <: TreeNode[BaseType]] {
3. def left: BaseType
4. def right: BaseType
5. def children = Seq(left, right)
6. }
7. abstract class BinaryNode extends LogicalPlan with trees.BinaryNode[LogicalPlan] {
8. self: Product =>
9. }

节点定义比较简单，左孩子，右孩子都是BaseType。 children是一个Seq（left, right）

下面列出主要继承二元节点的类，可以当查询手册用 ：）

这里提示下平常常用的二元节点：Join和Union

2、UnaryNode

一元节点，即只有一个孩子节点

1. A [[TreeNode]] with a single [[child]].
2. trait UnaryNode[BaseType <: TreeNode[BaseType]] {
3. def child: BaseType
4. def children = child :: Nil
5. }
6. abstract class UnaryNode extends LogicalPlan with trees.UnaryNode[LogicalPlan] {
7. self: Product =>
8. }

下面列出主要继承一元节点的类，可以当查询手册用 ：）

常用的二元节点有，Project，Subquery，Filter，Limit ...等

3、Leaf Node

叶子节点，没有孩子节点的节点。

1. A [[TreeNode]] with no children.
2. trait LeafNode[BaseType <: TreeNode[BaseType]] {
3. def children = Nil
4. }
5. abstract class LeafNode extends LogicalPlan with trees.LeafNode[LogicalPlan] {
6. self: Product =>
7. // Leaf nodes by definition cannot reference any input attributes.
8. override def references = Set.empty
9. }

下面列出主要继承叶子节点的类，可以当查询手册用 ：）

提示常用的叶子节点： Command类系列，一些Funtion函数，以及Unresolved Relation...etc.

二、TreeNode 核心方法

  简单介绍一个TreeNode这个类的属性和方法

  currentId
  一颗树里的TreeNode有个唯一的id，类型是java.util.concurrent.atomic.AtomicLong原子类型。

1. private val currentId = new java.util.concurrent.atomic.AtomicLong
2. protected def nextId() = currentId.getAndIncrement()

sameInstance
  判断2个实例是否是同一个的时候，只需要判断TreeNode的id。

1. def sameInstance(other: TreeNode[_]): Boolean = {
2. this.id == other.id
3. }

fastEquals，更常用的一个快捷的判定方法，没有重写Object.Equals，这样防止scala编译器生成case class equals 方法

1. def fastEquals(other: TreeNode[_]): Boolean = {
2. sameInstance(other) || this == other
3. }

map，flatMap，collect都是递归的对子节点进行应用PartialFunction，其它方法还有很多，篇幅有限这里不一一描述了。

2.1、核心方法 transform 方法

transform该方法接受一个PartialFunction，就是就是前一篇文章Analyzer里提到的Batch里面的Rule。
  是会将Rule迭代应用到该节点的所有子节点，最后返回这个节点的副本（一个和当前节点不同的节点，后面会介绍，其实就是利用反射来返回一个修改后的节点）。
  如果rule没有对一个节点进行PartialFunction的操作，就返回这个节点本身。

来看一个例子：

1. object GlobalAggregates extends Rule[LogicalPlan] {
2. def apply(plan: LogicalPlan): LogicalPlan = plan transform {   //apply方法这里调用了logical plan（TreeNode） 的transform方法来应用一个PartialFunction。
3. case Project(projectList, child) if containsAggregates(projectList) =>
4. Aggregate(Nil, projectList, child)
5. }
6. def containsAggregates(exprs: Seq[Expression]): Boolean = {
7. exprs.foreach(_.foreach {
8. case agg: AggregateExpression => return true
9. case _ =>
10. })
11. false
12. }
13. }

这个方法真正的调用是transformChildrenDown，这里提到了用先序遍历来对子节点进行递归的Rule应用。
 如果在对当前节点应用rule成功，修改后的节点afterRule，来对其children节点进行rule的应用。

transformDown方法：

1. /**
2. * Returns a copy of this node where `rule` has been recursively applied to it and all of its
3. * children (pre-order). When `rule` does not apply to a given node it is left unchanged.
4. * @param rule the function used to transform this nodes children
5. */
6. ef transformDown(rule: PartialFunction[BaseType, BaseType]): BaseType = {
7. val afterRule = rule.applyOrElse(this, identity[BaseType])
8. // Check if unchanged and then possibly return old copy to avoid gc churn.
9. if (this fastEquals afterRule) {
10. transformChildrenDown(rule)  //修改前节点this.transformChildrenDown(rule)
11. } else {
12. afterRule.transformChildrenDown(rule) //修改后节点进行transformChildrenDown
13. }

最重要的方法transformChildrenDown:
  对children节点进行递归的调用PartialFunction，利用最终返回的newArgs来生成一个新的节点，这里调用了makeCopy()来生成节点。

transformChildrenDown方法：

1. /**
2. * Returns a copy of this node where `rule` has been recursively applied to all the children of
3. * this node.  When `rule` does not apply to a given node it is left unchanged.
4. * @param rule the function used to transform this nodes children
5. */
6. def transformChildrenDown(rule: PartialFunction[BaseType, BaseType]): this.type = {
7. var changed = false
8. val newArgs = productIterator.map {
9. case arg: TreeNode[_] if children contains arg =>
10. val newChild = arg.asInstanceOf[BaseType].transformDown(rule) //递归子节点应用rule
11. if (!(newChild fastEquals arg)) {
12. changed = true
13. newChild
14. } else {
15. arg
16. }
17. case Some(arg: TreeNode[_]) if children contains arg =>
18. val newChild = arg.asInstanceOf[BaseType].transformDown(rule)
19. if (!(newChild fastEquals arg)) {
20. changed = true
21. Some(newChild)
22. } else {
23. Some(arg)
24. }
25. case m: Map[_,_] => m
26. case args: Traversable[_] => args.map {
27. case arg: TreeNode[_] if children contains arg =>
28. val newChild = arg.asInstanceOf[BaseType].transformDown(rule)
29. if (!(newChild fastEquals arg)) {
30. changed = true
31. newChild
32. } else {
33. arg
34. }
35. case other => other
36. }
37. case nonChild: AnyRef => nonChild
38. case null => null
39. }.toArray
40. if (changed) makeCopy(newArgs) else this //根据作用结果返回的newArgs数组，反射生成新的节点副本。
41. }

  makeCopy方法，反射生成节点副本

1. /**
2. * Creates a copy of this type of tree node after a transformation.
3. * Must be overridden by child classes that have constructor arguments
4. * that are not present in the productIterator.
5. * @param newArgs the new product arguments.
6. */
7. def makeCopy(newArgs: Array[AnyRef]): this.type = attachTree(this, "makeCopy") {
8. try {
9. val defaultCtor = getClass.getConstructors.head  //反射获取默认构造函数的第一个
10. if (otherCopyArgs.isEmpty) {
11. defaultCtor.newInstance(newArgs: _*).asInstanceOf[this.type] //反射生成当前节点类型的节点
12. } else {
13. defaultCtor.newInstance((newArgs ++ otherCopyArgs).toArray: _*).asInstanceOf[this.type] //如果还有其它参数，++
14. }
15. } catch {
16. case e: java.lang.IllegalArgumentException =>
17. throw new TreeNodeException(
18. this, s"Failed to copy node.  Is otherCopyArgs specified correctly for $nodeName? "
19. + s"Exception message: ${e.getMessage}.")
20. }
21. }

三、TreeNode实例

  现在准备从一段sql来出发，画一下这个spark sql的整体树的transformation。

 SELECT * FROM (SELECT * FROM src) a join (select * from src)b on a.key=b.key

 首先，我们先执行一下，在控制台里看一下生成的计划：

1. <span style="font-size:12px;">sbt/sbt hive/console
2. Using /usr/java/default as default JAVA_HOME.
3. Note, this will be overridden by -java-home if it is set.
4. [info] Loading project definition from /app/hadoop/shengli/spark/project/project
5. [info] Loading project definition from /app/hadoop/shengli/spark/project
6. [info] Set current project to root (in build file:/app/hadoop/shengli/spark/)
7. [info] Starting scala interpreter...
8. [info]
9. import org.apache.spark.sql.catalyst.analysis._
10. import org.apache.spark.sql.catalyst.dsl._
11. import org.apache.spark.sql.catalyst.errors._
12. import org.apache.spark.sql.catalyst.expressions._
13. import org.apache.spark.sql.catalyst.plans.logical._
14. import org.apache.spark.sql.catalyst.rules._
15. import org.apache.spark.sql.catalyst.types._
16. import org.apache.spark.sql.catalyst.util._
17. import org.apache.spark.sql.execution
18. import org.apache.spark.sql.hive._
19. import org.apache.spark.sql.hive.test.TestHive._
20. import org.apache.spark.sql.parquet.ParquetTestData
21. scala> val query = sql("SELECT * FROM (SELECT * FROM src) a join (select * from src)b on a.key=b.key")</span>

3.1、UnResolve Logical Plan

  第一步生成UnResolve Logical Plan 如下：

1. scala> query.queryExecution.logical
2. res0: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [*]
4. Join Inner, Some(('a.key = 'b.key))
5. Subquery a
6. Project [*]
7. UnresolvedRelation None, src, None
8. Subquery b
9. Project [*]
10. UnresolvedRelation None, src, None

如果画成树是这样的，仅个人理解：

  我将一开始介绍的三种Node分别用绿色UnaryNode，红色Binary Node 和 蓝色 LeafNode 来表示。

3.2、Analyzed Logical Plan

  Analyzer会将允用Batch的Rules来对Unresolved Logical  Plan Tree 进行rule应用，这里用来EliminateAnalysisOperators将Subquery给消除掉，Batch("Resolution将Atrribute和Relation给Resolve了，Analyzed Logical Plan Tree如下图:

3.3、Optimized Plan

  我把Catalyst里的Optimizer戏称为Spark SQL的优化大师，因为整个Spark SQL的优化都是在这里进行的，后面会有文章来讲解Optimizer。

  在这里，优化的不明显，因为SQL本身不复杂

1. scala> query.queryExecution.optimizedPlan
2. res3: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =
3. Project [key#0,value#1,key#2,value#3]
4. Join Inner, Some((key#0 = key#2))
5. MetastoreRelation default, src, None
6. MetastoreRelation default, src, None

生成的树如下图：

3.4、executedPlan

  最后一步是最终生成的物理执行计划，里面涉及到了Hive的TableScan，涉及到了HashJoin操作，还涉及到了Exchange，Exchange涉及到了Shuffle和Partition操作。

1. scala> query.queryExecution.executedPlan
2. res4: org.apache.spark.sql.execution.SparkPlan =
3. Project [key#0:0,value#1:1,key#2:2,value#3:3]
4. HashJoin [key#0], [key#2], BuildRight
5. Exchange (HashPartitioning [key#0:0], 150)
6. HiveTableScan [key#0,value#1], (MetastoreRelation default, src, None), None
7. Exchange (HashPartitioning [key#2:0], 150)
8. HiveTableScan [key#2,value#3], (MetastoreRelation default, src, None), None

生成的物理执行树如图：

 

 

四、总结：

    本文介绍了Spark SQL的Catalyst框架核心TreeNode类库，绘制了TreeNode继承关系的类图，了解了TreeNode这个类在Catalyst所起到的作用。语法树中的Logical Plan均派生自TreeNode，并且Logical Plan派生出TreeNode的三种形态，即Binary Node， Unary Node, Leaft Node。 正式这几种节点，组成了Spark SQl的Catalyst的语法树。
  TreeNode的transform方法是核心的方法，它接受一个rule，会对当前节点的孩子节点进行递归的调用rule，最后会返回一个TreeNode的copy，这种操作就是transformation，贯穿了Spark SQL执行的几个核心阶段，如Analyze，Optimize阶段。
  最后用一个实际的例子，展示出来Spark SQL的执行树生成流程。
  
  我目前的理解就是这些，如果分析不到位的地方，请大家多多指正。

 

——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/38084079

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/38084079