/** Spark SQL源码分析系列文章*/
自从去年Spark Submit 2013 Michael Armbrust分享了他的Catalyst，到至今1年多了,Spark SQL的贡献者从几人到了几十人，而且发展速度异常迅猛，究其原因，个人认为有以下2点：
1、整合：将SQL类型的查询语言整合到 Spark 的核心RDD概念里。这样可以应用于多种任务，流处理，批处理，包括机器学习里都可以引入Sql。2、效率：因为Shark受到hive的编程模型限制，无法再继续优化来适应Spark模型里。
前一段时间测试过Shark，并且对Spark SQL也进行了一些测试，但是还是忍不住对Spark SQL一探究竟，就从源代码的角度来看一下Spark SQL的核心执行流程吧。
一、引子
先来看一段简单的Spark SQL程序：- 1. val sqlContext = new org.apache.spark.sql.SQLContext(sc)
- 2. import sqlContext._
- 3.case class Person(name: String, age: Int)
- 4.val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt))
- 5.people.registerAsTable("people")
- 6.val teenagers = sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")
- 7.teenagers.map(t => "Name: " + t(0)).collect().foreach(println)
程序前两句1和2生成SQLContext，导入sqlContext下面的all，也就是运行SparkSQL的上下文环境。
程序3，4两句是加载数据源注册table
第6句是真正的入口，是sql函数，传入一句sql，先会返回一个SchemaRDD。这一步是lazy的，直到第七句的collect这个action执行时，sql才会执行。
二、SQLCOntext
SQLContext是执行SQL的上下文对象，首先来看一下它Hold的有哪些成员：Catalog
一个存储<tableName,logicalPlan>的map结构，查找关系的目录，注册表，注销表，查询表和逻辑计划关系的类。
SqlParser
Parse 传入的sql来对语法分词，构建语法树，返回一个logical plan
Analyzer
logical plan的语法分析器
Optimizer
logical Plan的优化器
LogicalPlan
逻辑计划，由catalyst的TreeNode组成，可以看到有3种语法树
SparkPlanner
包含不同策略的优化策略来优化物理执行计划
QueryExecution
sql执行的环境上下文
就是这些对象组成了Spark SQL的运行时，看起来很酷，有静态的metadata存储，有分析器、优化器、逻辑计划、物理计划、执行运行时。
那这些对象是怎么相互协作来执行sql语句的呢？
三、Spark SQL执行流程
话不多说，先上图，这个图我用一个在线作图工具process on话的，画的不好，图能达意就行：
核心组件都是绿色的方框，每一步流程的结果都是蓝色的框框，调用的方法是橙色的框框。
先概括一下，大致的执行流程是：
Parse SQL -> Analyze Logical Plan -> Optimize Logical Plan -> Generate Physical Plan -> Prepareed Spark Plan -> Execute SQL -> Generate RDD
更具体的执行流程：
sql or hql -> sql parser(parse)生成 unresolved logical plan -> analyzer(analysis)生成analyzed logical plan -> optimizer(optimize)optimized logical plan -> spark planner(use strategies to plan)生成physical plan -> 采用不同Strategies生成spark plan -> spark plan(prepare) prepared spark plan -> call toRDD（execute（）函数调用） 执行sql生成RDD
3.1、Parse SQL
回到开始的程序，我们调用sql函数，其实是SQLContext里的sql函数它的实现是new一个SchemaRDD，在生成的时候就调用parseSql方法了。- /**
- * Executes a SQL query using Spark, returning the result as a SchemaRDD.
- *
- * @group userf
- */
- def sql(sqlText: String): SchemaRDD = new SchemaRDD(this, parseSql(sqlText))
- @transient
- protected[sql] val parser = new catalyst.SqlParser
- protected[sql] def parseSql(sql: String): LogicalPlan = parser(sql)
3.2、Analyze to Execution
当我们调用SchemaRDD里面的collect方法时，则会初始化QueryExecution，开始启动执行。- override def collect(): Array[Row] = queryExecution.executedPlan.executeCollect()
- protected abstract class QueryExecution {
- def logical: LogicalPlan
- lazy val analyzed = analyzer(logical) //首先分析器会分析逻辑计划
- lazy val optimizedPlan = optimizer(analyzed) //随后优化器去优化分析后的逻辑计划
- // TODO: Don't just pick the first one...
- lazy val sparkPlan = planner(optimizedPlan).next() //根据策略生成plan物理计划
- // executedPlan should not be used to initialize any SparkPlan. It should be
- // only used for execution.
- lazy val executedPlan: SparkPlan = prepareForExecution(sparkPlan) //最后生成已经准备好的Spark Plan
- /** Internal version of the RDD. Avoids copies and has no schema */
- lazy val toRdd: RDD[Row] = executedPlan.execute() //最后调用toRDD方法执行任务将结果转换为RDD
- protected def stringOrError[A](f: => A): String =
- try f.toString catch { case e: Throwable => e.toString }
- def simpleString: String = stringOrError(executedPlan)
- override def toString: String =
- s"""== Logical Plan ==
- |${stringOrError(analyzed)}
- |== Optimized Logical Plan ==
- |${stringOrError(optimizedPlan)}
- |== Physical Plan ==
- |${stringOrError(executedPlan)}
- """.stripMargin.trim
- }
至此整个流程结束。
四、总结：
通过分析SQLContext我们知道了Spark SQL都包含了哪些组件，SqlParser,Parser，Analyzer，Optimizer，LogicalPlan，SparkPlanner（包含Physical Plan）,QueryExecution.通过调试代码，知道了Spark SQL的执行流程：
sql or hql -> sql parser(parse)生成 unresolved logical plan -> analyzer(analysis)生成analyzed logical plan -> optimizer(optimize)optimized logical plan -> spark planner(use strategies to plan)生成physical plan -> 采用不同Strategies生成spark plan -> spark plan(prepare) prepared spark plan -> call toRDD（execute（）函数调用） 执行sql生成RDD
随后还会对里面的每个组件对象进行研究，看看catalyst究竟做了哪些优化。
