天天看点

Spark-SparkSQL深入学习系列五(转自OopsOutOfMemory)

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:

Spark-SparkSQL深入学习系列五(转自OopsOutOfMemory)
Spark-SparkSQL深入学习系列五(转自OopsOutOfMemory)

  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:

object Optimizer extends RuleExecutor[LogicalPlan] {  

  val batches =  

    Batch("Combine Limits", FixedPoint(100),  

      CombineLimits) ::  

    Batch("ConstantFolding", FixedPoint(100),  

      NullPropagation,  

      ConstantFolding,  

      BooleanSimplification,  

      SimplifyFilters,  

      SimplifyCasts,  

      SimplifyCaseConversionExpressions) ::  

    Batch("Filter Pushdown", FixedPoint(100),  

      CombineFilters,  

      PushPredicateThroughProject,  

      PushPredicateThroughJoin,  

      ColumnPruning) :: Nil  

}  

  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。

case class Aggregate(  

    groupingExpressions: Seq[Expression],  

    aggregateExpressions: Seq[NamedExpression],  

    child: LogicalPlan)  

  extends UnaryNode {  

  override def output = aggregateExpressions.map(_.toAttribute)  

  override def references =  

    (groupingExpressions ++ aggregateExpressions).flatMap(_.references).toSet  

Spark-SparkSQL深入学习系列五(转自OopsOutOfMemory)

  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):

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。

 /** 

 * Combines two adjacent [[Limit]] operators into one, merging the 

 * expressions into one single expression. 

 */  

object CombineLimits extends Rule[LogicalPlan] {  

  def apply(plan: LogicalPlan): LogicalPlan = plan transform {  

    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  

      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  

  }  

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

scala> query.queryExecution.analyzed  

res12: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Limit 10  

 Project [key#13,value#14]  

  Limit 100  

   Project [key#13,value#14]  

    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。

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

  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)

object Literal {  

  def apply(v: Any): Literal = v match {  

    case i: Int => Literal(i, IntegerType)  

    case l: Long => Literal(l, LongType)  

    case d: Double => Literal(d, DoubleType)  

    case f: Float => Literal(f, FloatType)  

    case b: Byte => Literal(b, ByteType)  

    case s: Short => Literal(s, ShortType)  

    case s: String => Literal(s, StringType)  

    case b: Boolean => Literal(b, BooleanType)  

    case d: BigDecimal => Literal(d, DecimalType)  

    case t: Timestamp => Literal(t, TimestampType)  

    case a: Array[Byte] => Literal(a, BinaryType)  

    case null => Literal(null, NullType)  

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

case class Literal(value: Any, dataType: DataType) extends LeafExpression {  

  override def foldable = true  

  def nullable = value == null  

  def references = Set.empty  

  override def toString = if (value != null) value.toString else "null"  

  type EvaluatedType = Any  

  override def eval(input: Row):Any = value  

  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。

/** 

 * Replaces [[Expression Expressions]] that can be statically evaluated with 

 * equivalent [[Literal]] values. This rule is more specific with 

 * Null value propagation from bottom to top of the expression tree. 

object NullPropagation extends Rule[LogicalPlan] {  

    case q: LogicalPlan => q transformExpressionsUp {  

      case e @ Count(Literal(null, _)) => Cast(Literal(0L), e.dataType) //如果count(null)则转化为count(0)  

      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>  

      case e @ Average(Literal(c, _)) if c == 0 => Literal(0.0, e.dataType)  

      case e @ IsNull(c) if !c.nullable => Literal(false, BooleanType)  

      case e @ IsNotNull(c) if !c.nullable => Literal(true, BooleanType)  

      case e @ GetItem(Literal(null, _), _) => Literal(null, e.dataType)  

      case e @ GetItem(_, Literal(null, _)) => Literal(null, e.dataType)  

      case e @ GetField(Literal(null, _), _) => Literal(null, e.dataType)  

      case e @ Coalesce(children) => {  

        val newChildren = children.filter(c => c match {  

          case Literal(null, _) => false  

          case _ => true  

        })  

        if (newChildren.length == 0) {  

          Literal(null, e.dataType)  

        } else if (newChildren.length == 1) {  

          newChildren(0)  

        } else {  

          Coalesce(newChildren)  

        }  

      }  

      case e @ If(Literal(v, _), trueValue, falseValue) => if (v == true) trueValue else falseValue  

      case e @ In(Literal(v, _), list) if (list.exists(c => c match {  

          case Literal(candidate, _) if candidate == v => true  

          case _ => false  

        })) => Literal(true, BooleanType)  

      // Put exceptional cases above if any  

      case e: BinaryArithmetic => e.children match {  

        case Literal(null, _) :: right :: Nil => Literal(null, e.dataType)  

        case left :: Literal(null, _) :: Nil => Literal(null, e.dataType)  

        case _ => e  

      case e: BinaryComparison => e.children match {  

      case e: StringRegexExpression => e.children match {  

    }  

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

res6: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Aggregate [], [COUNT(null) AS c0#5L] //这里count的是null  

 Filter IS NOT NULL key#7  

  MetastoreRelation default, temp_shengli, None  

调用NullPropagation

scala> NullPropagation(query.queryExecution.analyzed)  

res7: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Aggregate [], [CAST(0, LongType) AS c0#5L]  //优化后为0了  

  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:

object ConstantFolding extends Rule[LogicalPlan] {  

     def apply(plan: LogicalPlan): LogicalPlan = plan transform { //先对plan进行transform  

       case q: LogicalPlan => q transformExpressionsDown { //对每个plan的expression进行transform  

         // Skip redundant folding of literals.  

         case l: Literal => l  

         case e if e.foldable => Literal(e.eval(null), e.dataType) //调用eval方法计算结果  

       }  

     }  

   }  

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

res23: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Project [(((1 + 2) + 3) + 4) AS c0#21]  //这里还是常量表达式  

 MetastoreRelation default, src, None  

优化后:

scala> query.queryExecution.optimizedPlan  

res24: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Project [10 AS c0#21] //优化后,直接合并为10  

 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:

 * Simplifies boolean expressions where the answer can be determined without evaluating both sides. 

 * Note that this rule can eliminate expressions that might otherwise have been evaluated and thus 

 * is only safe when evaluations of expressions does not result in side effects. 

object BooleanSimplification extends Rule[LogicalPlan] {  

      case and @ And(left, right) => //如果布尔表达式是AND操作,即exp1 and exp2  

        (left, right) match { //(左边表达式,右边表达式)  

          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>  

          case (l, Literal(true, BooleanType)) => l //右边true,返回左边的bool值  

          case (Literal(false, BooleanType), _) => Literal(false)//左边都false,右边随便,反正是返回false  

          case (_, Literal(false, BooleanType)) => Literal(false)//只要有1边是false了,都是false  

          case (_, _) => and  

      case or @ Or(left, right) =>  

        (left, right) match {  

          case (Literal(true, BooleanType), _) => Literal(true) //只要左边是true了,不用判断右边都是true  

          case (_, Literal(true, BooleanType)) => Literal(true) //只要有一边是true,都返回true  

          case (Literal(false, BooleanType), r) => r //希望右边r是true  

          case (l, Literal(false, BooleanType)) => l  

          case (_, _) => or  

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。

 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。

 * Combines two adjacent [[Filter]] operators into one, merging the 

 * conditions into one conjunctive predicate. 

object CombineFilters extends Rule[LogicalPlan] {  

    case ff @ Filter(fc, nf @ Filter(nc, grandChild)) => Filter(And(nc, fc), grandChild)  

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

res25: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Project [key#27]  

 Filter (key#27 > 80) //filter>80  

  Project [key#27]  

   Filter (key#27 > 100) //filter>100  

    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

res26: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

 Filter ((key#27 > 100) && (key#27 > 80)) //合并为1个  

  MetastoreRelation default, src, None  

  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:

scala> scala> query.queryExecution.analyzed  

res29: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Project [key#31]  

 Filter (key#31 > 100) //先select key, value,然后再Filter  

  Project [key#31,value#32]  

   MetastoreRelation default, src, None  

 优化后的计划为:

query.queryExecution.optimizedPlan  

res30: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

 Filter (key#31 > 100) //先filter,然后再select  

  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

object ColumnPruning extends Rule[LogicalPlan] {  

    // Eliminate attributes that are not needed to calculate the specified aggregates.  

    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  

      a.copy(child = Project(a.references.toSeq, child))  

    // Eliminate unneeded attributes from either side of a Join.  

    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  

      // Collect the list of off references required either above or to evaluate the condition.  

      val allReferences: Set[Attribute] =  

        projectList.flatMap(_.references).toSet ++ condition.map(_.references).getOrElse(Set.empty)  

      /** Applies a projection only when the child is producing unnecessary attributes */  

      def prunedChild(c: LogicalPlan) =  

        if ((c.outputSet -- allReferences.filter(c.outputSet.contains)).nonEmpty) {  

          Project(allReferences.filter(c.outputSet.contains).toSeq, c)  

          c  

      Project(projectList, Join(prunedChild(left), prunedChild(right), joinType, condition))  

    // Combine adjacent Projects.  

    case Project(projectList1, Project(projectList2, child)) => //合并相邻Project的列  

      // Create a map of Aliases to their values from the child projection.  

      // e.g., 'SELECT ... FROM (SELECT a + b AS c, d ...)' produces Map(c -> Alias(a + b, c)).  

      val aliasMap = projectList2.collect {  

        case a @ Alias(e, _) => (a.toAttribute: Expression, a)  

      }.toMap  

      // Substitute any attributes that are produced by the child projection, so that we safely  

      // eliminate it.  

      // e.g., 'SELECT c + 1 FROM (SELECT a + b AS C ...' produces 'SELECT a + b + 1 ...'  

      // TODO: Fix TransformBase to avoid the cast below.  

      val substitutedProjection = projectList1.map(_.transform {  

        case a if aliasMap.contains(a) => aliasMap(a)  

      }).asInstanceOf[Seq[NamedExpression]]  

      Project(substitutedProjection, child)  

    // Eliminate no-op Projects  

    case Project(projectList, child) if child.output == projectList => child  

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:

res57: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Aggregate [key#51], [(1 + 1) AS shengli#49,key#51]  

 Project [key#51,value#52] //优化前默认select key 和 value两列  

scala> ColumnPruning1(query.queryExecution.analyzed)  

MetastoreRelation default, temp_shengli, None  

res59: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

 Project [key#51]  //优化后,列裁剪掉了value,只select key  

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:

res51: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Project [value#42 AS qween#39]  

 Join Inner, Some((key#41 = key#43))  

  Project [key#41,value#42]  //这里多select了一列,即value  

   MetastoreRelation default, temp_shengli, None  

  Project [key#43,value#44]  //这里多select了一列,即value  

优化后:(ColumnPruning2是我自己调试用的)

scala> ColumnPruning2(query.queryExecution.analyzed)  

allReferences is -> Set(key#35, key#37)  

res47: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Project [key#35 AS qween#33]  

 Join Inner, Some((key#35 = key#37))  

  Project [key#35]   //经过列裁剪之后,left Child只需要select key这一个列  

  Project [key#37]   //经过列裁剪之后,right Child只需要select key这一个列  

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 ")  

res61: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

Project [(c#56 + 1) AS c0#57]  

 Project [(1 + 1) AS c#56]  

res62: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =   

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  

 MetastoreRelation default, temp_shengli, None  

  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:

Spark-SparkSQL深入学习系列五(转自OopsOutOfMemory)