Spark-SparkSQL深入学习系列十（转自OopsOutOfMemory）-阿里云开发者社区

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

2016-05-11 1024

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： /** 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。

/** 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：

[java]view plain copy 
   
 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。

[java]view plain copy 
   
 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：

[java]view plain copy 
   
 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))

[java]view plain copy 
   
 //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<span style="font-family: Arial, Helvetica, sans-serif;">[key#4,value#5]</span>   
 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：

[java]view plain copy 
   
 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   
 }   