大数据-97 Spark 集群 SparkSQL 原理详细解析 Broadcast Shuffle SQL解析过程

本文主要是介绍大数据-97 Spark 集群 SparkSQL 原理详细解析 Broadcast Shuffle SQL解析过程，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（正在更新！）

章节内容

上节我们完成了如下的内容：

• SparkSQL 语句 编码 测试 结果
• 输入输出
• 数据源包含如Parquet、JSON、CSV、Avro、ORC、Hive、JDBC、ODBC
• TextFile

SparkSQL中的Join

数据分析中将两个数据集进行Join操作是很常见的场景。在Spark的物理计划阶段，Spark的Join Selection类会根据Join Hints 策略，Join表的大小、Join是等值Join还是不等值以及参与Join的Key是否可以排序等条件来选择最终的Join策略，最后Spark会利用选择好的Join策略执行最终的计算。

当前Spark一共支持五种Join策略：

• Broadcast hash join （BHJ）
• Shuffle hash join （SHJ）
• Shuffle sort merge join（SMJ）
• Shuffle-and-replicate nested loop join，又叫笛卡尔积（Cartesian product join）
• Broadcast nested loop join（BNLJ）

其中 BHJ 和 SMJ 这两种 Join 策略是我们运行 Spark 任务最常见的。
JoinSelection 会先根据 Join 的 Key 为等值Join来选择 Broadcast hash join、Shuffle hash join、Shuffle sort merge join中的一个。
如果Join的Key为不等值Join或者没有指定Join条件，则会选择Broadcast nested loop join 或 Shuffle-and-replicate nested loop join。
不同的Join策略在执行效率上差别很大，了解每种Join策略的执行过程和适用条件是很有必要的。

Broadcast Hash Join

Broadcast Hash Join 的实现是将小表的数据广播到Spark所有的Executor端，这个广播过程和我们自己去广播数据没有什么区别：

• 利用 Collect 算子将小表的数据从Executor端拉到Driver端
• 在Driver端调用sparkContext.broadcast广播到所有Executor端
• 在Executor端使用广播的数据与大表进行Join操作（实际上执行Map操作）

这种Join策略避免了Shuffle操作，一般而言，Broadcast Hash Join会比其他Join策略执行的要快。

使用这种 Join 策略必须满足如下的条件：

• 小表的数据必须很小，可以通过 spark.sql.autoBroadcasetJoinThreshold 参数来配置，默认是10MB
• 如果内存比较大，可以将阈值适当加大
• 将 spark.sql.autoBroadcastJoinThreshold 参数设置为-1，可以关闭这种连接方式
• 只能用于等值Join，不要求参与Join的keys可排序

Shuffle Hash Join

当表中的数据比较大，又不适合使用广播，这个时候就可以考虑 Shuffle Hash Join。
Shuffle Hash Join 同样是在大表和小表进行Join的时候选择了一种策略。
它的计算思想是：把大表和小表按照相同的分区算法和分区数据进行分区（根据参与Join的Keys进行分区），这样保证了 Hash 值一样的数据都分发到同一个分区中，然后在同一个 Executor 中两张表 Hash 值一样的分区就可以在本地进行Hash Join了。在进行 Join 之前，还会对小表的分区构建 Hash Map，Shuffle Hash Join 利用了分治思想，把大问题拆解成小问题去解决。

要启动 Shuffle Hash Join 必须满足以下条件：

• 仅支持等值 Join，不要求参与Join的Keys可排序
• spark.sql.join.perferSortMergeJoin 参数必须设置值为 false，参数从Spark2.0版本引入，默认值是true，也就是默认情况下是 Sort Merge Join
• 小表的大小（plan.stats.sizeInBytes）必须小于(spark.sql.autoBroadcastJoinThreshold * spark.sql.shuffle.partitions(默认200))
• 而且小表大小(stats.sizeInBytes)的三倍必须小于等于大表的大小(stats.sizeInBytes)，也就是(a.stats.sizeInBytes * 3 < b.stats.sizeInBytes)

Shuffle Sort Merge Join

前面两种Join策略对表的大小都有条件的，如果参与Join的表都很大，这时候就得考虑用 Shuffle Sort Merge Join了。
Shuffle Sort Merge Join 的实现事项：

• 将两张表按照 Join Key进行Shuffle，保证 Join Key值相同的记录会被分在相应的分区
• 对每个分区内的数据进行排序
• 排序后再对相应的分区内的记录进行连接

无论分区多大，Sort Merge Join都不用把一侧的数据全部加载到内存中，而是即用即丢。
因为两个序列都有序，从头遍历，碰到Key相同的就输出，如果不同，左边小取左边，反之就取右边。
这样大大提高了大数据量下的SQL Join的稳定性。

要启用Shuffle Sort Merge Join必须满足以下条件：

• 仅支持等值 Join，并且要求参与 Join 的 Keys 可排序

Cartesian Product Join

如果Spark中两张参与Join的表没有指定连接条件，那么产生Cartesian Product Join，这个Join得到的结果其实就是两张表行数的乘积。

Broadcast Nested Loop Join

可以把 Broadcast Nested Loop Join的执行看做下面的计算:

for record_1 in relation_1:for record_2 in relation_2:# join condition is executed

可以看出 Broadcast Nested Loop Join 在某些情况会对某张表重复扫描多次，效率非常低。从名字可以看出，这种Join会根据相关条件对小表进行广播，以减少表的扫描次数。
Broadcast Nested Loop Join支持等值和不等值Join，支持所有的Join类型。

SQL解析过程

基本概念

SparkSQL 可以说Spark中的精华部分，原来基于RDD构建大数据计算任务，重新在向Dataset转移，原来基于 RDD 写的代码也在迁移。
使用 SparkSQL 编码的好处是非常大的，尤其是性能方面，有很大提升。SparkSQL 中各种内嵌的性能优化比写RDD遵循各种最佳实践更加靠谱。
尤其对于新手来说，比如先 Filter 再 Map，SparkSQL中会自动进行谓词下推，Spark SQL中会自动使用 Broadcast Join来广播小表，把 Shuffle Join转换为 Map Join等等。

SparkSQL对SQL语句的处理和关系型数据库类似，即词法/语法解析、绑定、优化、执行。SparkSQL会先将SQL语句解析成一棵树，然后使用规则（Rule）对Tree进行绑定、优化等处理过程。
SparkSQL由：Core、Catalyst、Hive、Hive-ThriftServer四部分构成：

• Core：负责处理数据的输入和输出，如获取数据，查询结果输出成DataFrame等
• Catalyst：负责处理整个查询过程，包括解析、绑定、优化等。
• Hive：负责对Hive数据进行处理
• Hive-ThriftServer：主要用于对Hive的访问

SparkSQL的代码复杂度是问题的本质复杂度带来说，SparkSQL中的Catalyst框架大部分逻辑是在一个Tree类型的数据结构上做各种折腾，基于Scala来实现还是很优雅的，Scala的偏函数和强大的Case正则匹配，让整个代码看起来非常优雅。

SparkSession是编写Spark应用代码的入口，启动一个spark-shell会提供给你创建spark-session，这个对象是整个Spark应用的起始点，以下是SparkSession的一些重要的变量和方法：

编写代码

package icu.wzk
import org.apache.spark.sql.{DataFrame, SparkSession}object TestDemo01 {def main(args: Array[String]): Unit = {val spark = SparkSession.builder().appName("TestDemo01").master("local[*]").getOrCreate()spark.sparkContext.setLogLevel("warn")import spark.implicits._Seq((0, "zhansan", 10),(1, "lisi", 11),(2, "wangwu", 12)).toDF("id", "name", "age").createOrReplaceTempView("stu")Seq((0, "chinese", 80),(0, "math", 100),(0, "english", 98),(1, "chinese", 86),(1, "math", 97),(1, "english", 90),(2, "chinese", 90),(2, "math", 94),(2, "english", 88)).toDF("id", "subject", "score").createOrReplaceTempView("score")val df: DataFrame = spark.sql("""|SELECT SUM(v) AS total_score, name|FROM (|  SELECT stu.id, 100 + 10 + score.score AS v, name|  FROM stu|  JOIN score ON stu.id = score.id|  WHERE stu.age >= 11|) tmp|GROUP BY name|""".stripMargin)df.show()// 打印执行计划println(df.queryExecution)println(df.queryExecution.optimizedPlan)spark.close()}}

运行输出

执行代码可见控制台输出如下数据（我就不往服务器发了）：

控制台的内容如下图所示：

+-----------+------+
|total_score|  name|
+-----------+------+
|        602|wangwu|
|        603|  lisi|
+-----------+------+== Parsed Logical Plan ==
'Aggregate ['name], ['SUM('v) AS total_score#27, 'name]
+- 'SubqueryAlias `tmp`+- 'Project ['stu.id, ((100 + 10) + 'score.score) AS v#26, 'name]+- 'Filter ('stu.age >= 11)+- 'Join Inner, ('stu.id = 'score.id):- 'UnresolvedRelation `stu`+- 'UnresolvedRelation `score`== Analyzed Logical Plan ==
total_score: bigint, name: string
Aggregate [name#8], [sum(cast(v#26 as bigint)) AS total_score#27L, name#8]
+- SubqueryAlias `tmp`+- Project [id#7, ((100 + 10) + score#22) AS v#26, name#8]+- Filter (age#9 >= 11)+- Join Inner, (id#7 = id#20):- SubqueryAlias `stu`:  +- Project [_1#3 AS id#7, _2#4 AS name#8, _3#5 AS age#9]:     +- LocalRelation [_1#3, _2#4, _3#5]+- SubqueryAlias `score`+- Project [_1#16 AS id#20, _2#17 AS subject#21, _3#18 AS score#22]+- LocalRelation [_1#16, _2#17, _3#18]== Optimized Logical Plan ==
Aggregate [name#8], [sum(cast(v#26 as bigint)) AS total_score#27L, name#8]
+- Project [(110 + score#22) AS v#26, name#8]+- Join Inner, (id#7 = id#20):- LocalRelation [id#7, name#8]+- LocalRelation [id#20, score#22]== Physical Plan ==
*(2) HashAggregate(keys=[name#8], functions=[sum(cast(v#26 as bigint))], output=[total_score#27L, name#8])
+- Exchange hashpartitioning(name#8, 200)+- *(1) HashAggregate(keys=[name#8], functions=[partial_sum(cast(v#26 as bigint))], output=[name#8, sum#38L])+- *(1) Project [(110 + score#22) AS v#26, name#8]+- *(1) BroadcastHashJoin [id#7], [id#20], Inner, BuildLeft:- BroadcastExchange HashedRelationBroadcastMode(List(cast(input[0, int, false] as bigint))):  +- LocalTableScan [id#7, name#8]+- LocalTableScan [id#20, score#22]
Aggregate [name#8], [sum(cast(v#26 as bigint)) AS total_score#27L, name#8]
+- Project [(110 + score#22) AS v#26, name#8]+- Join Inner, (id#7 = id#20):- LocalRelation [id#7, name#8]+- LocalRelation [id#20, score#22]

分析内容

queryExecution 就是对整个执行计划的执行引擎，里面有执行过程中各个中间过程变量，整个执行流程如下：

刚才的例子中的SQL语句经过Parser解析后就会变成一个抽象语法树，对应解析后的逻辑计划AST为：

== Analyzed Logical Plan ==
total_score: bigint, name: string
Aggregate [name#8], [sum(cast(v#26 as bigint)) AS total_score#27L, name#8]
+- SubqueryAlias `tmp`+- Project [id#7, ((100 + 10) + score#22) AS v#26, name#8]+- Filter (age#9 >= 11)+- Join Inner, (id#7 = id#20):- SubqueryAlias `stu`:  +- Project [_1#3 AS id#7, _2#4 AS name#8, _3#5 AS age#9]:     +- LocalRelation [_1#3, _2#4, _3#5]+- SubqueryAlias `score`+- Project [_1#16 AS id#20, _2#17 AS subject#21, _3#18 AS score#22]+- LocalRelation [_1#16, _2#17, _3#18]

在执行计划中 Project/Projection 代表的意思是投影

其中过滤条件变为了 Filter 节点，这个节点是 UnaryNode （一元节点）类型，只有一个孩子。
两个表中的数据变为了 UnresolvedRelation 节点，节点类型为 LeafNode，即叶子节点，Join操作为节点，这个是一个BinaryNode节点，有两个孩子。
以上节点都是LogicalPlan类型的，可以理解为各种操作的Operator，SparkSQL对各种操作定义了各种Operator。

这些 Operator 组成的语法树就是整个 Catatyst 优化的基础，Catatyst优化器会在这个树上进行分析修改，把树上的节点挪来挪去进行优化。
经过Parser有了抽象语法树，但是并不知道Score，Sum这些东西，所以就需要 Analyer 定位。

Analyzer会把AST上所有Unresolved的东西都转换为Resolved状态，SparkSQL有很多Resolve规则：

• ResolverRelations：解析表（列）的基本类型信息
• ResolveFunctions：解析出来函数的基本信息
• ResolveReferences：解析引用，通常是解析列名

常见优化逻辑

这里用到的优化有：谓词下推（Push Down Predicate）、常量折叠（Constant Folding）、字段裁剪（Columning Pruning）：

做完逻辑优化，还需要先转换为物理执行计划，将逻辑上可行的执行计划变为Spark可以真正执行的计划：

SparkSQL 把逻辑节点转换为了相应的物理节点，比如Join算子，Spark根据不同的场景为该算子制定了不同的算法策略。

数据在一个一个的Plan中流转，然后每个plan里面表达式都会对数据进行处理，就相当于经过了一个个小函数的调用处理，这里面有大量的函数调用开销，可以把这些小函数内联一下，当成一个大函数。可以看到最终执行计划每个节点面前有个*号，说明整段代码生成被启用。

这篇关于大数据-97 Spark 集群 SparkSQL 原理详细解析 Broadcast Shuffle SQL解析过程的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---