Spark系列—Spark SQL执行过程解析

今天来讲讲spark-sql的执行计划，有助于我们理解spark的运行原理。

一、简述

      日常我们使用spark时，主要是通过写sql语句嵌套在Python或者Shell脚本中提交到spark集群，了解spark-sql的运行方式有助于我们更好的使用spark。

二、Spark-sql的运行流程

      用户提交的Application程序，先经过SQL Parser解析SQL语句，然后由Catalyst优化器处理，最后转化成Spark的RDD提交到Spark Cluster进行执行。如下图。

具体流程如下：

1、用户提交的Application首先会通过一些API读取SQL语句；

2、将读取的SQL代码经Antlr4解析，生成Unresolved Logical Plan。（个人理解Unresolved Logical Plan是指只是读取SQL代码并进行解析，并没有对SQL语法是否正确，表相关信息如列名，表名是否正确或存在并没有判断，因此被称为Unresolved）；

3、访问Spark中Catalog存储的元数据信息验证表名、列名、语法、数据类型等信息是否正确，生成Resolved Logical Plan.

4、优化器Optimizer对Resolved Logical Plan优化，生成Optimized LogicalPlan；这个阶段的优化主要包括：

• 基于规则的优化（RBO）

基于规则的优化（RBO）：

rule-base阶段的优化，主要是根据各种关系代数的优化规则对生成的Logical Plan进行优化，优化规则主要包括：简化布尔表达式、替换NULL值、常量折叠（Constant Folding）等。

5、Spark将Optimized LogicalPlan转换成Physical Plan；这一阶段的优化主要是：

• 基于代价的优化（CBO）

cost-base的优化，这一阶段会生成数个Physical Plan，通过cost model预估这些Physical Plan处理的性能，选择最优的一个Physical Plan。在这一步主要优化join操作，优化的逻辑是：在join时，会比较join两边的数据集的大小，以此选择使用MergeSort join、Broadcast join、Hash join等。

此时生成的的Physical Plan就是实际可执行的SparkPlan。

6、函数类prepareForExecution()将 Physical Plan 转换成 executed Physical Plan

7、execute()执行executed Physical Plan即物理执行计划，生成RDD，由Cluster运行。

总结：

Catalyst优化器是Spark SQL的核心；其优化原理主要分为以下几步：先对SQL代码进行解析，生成逻辑执行计划，然后使用Optimizer优化器对逻辑执行计划进行优化生成物理执行计划，最后生成可执行的代码提交spark集群以RDD的形式运行。