转载

Spark 2.0介绍：在Spark SQL中定义查询优化规则

数盟社区已获得作者授权转载，欢迎关注作者微信公众号。

转载自过往记忆（http://www.iteblog.com/）

本文链接: 【Spark 2.0介绍：在Spark SQL中定义查询优化规则】（http://www.iteblog.com/archives/1706）

《Spark 2.0技术预览：更容易、更快速、更智能》文章中简单地介绍了 Spark 2.0 带来的新技术等。 Spark 2.0 是Apache Spark 的下一个主要版本。此版本在架构抽象、API以及平台的类库方面带来了很大的变化，为该框架明年的发展奠定了方向，所以了解 Spark 2.0的一些特性对我们能够使用它有着非常重要的作用。本博客将对 Spark 2.0进行一序列的介绍（参见Spark 2.0 分类），欢迎关注。

Spark 2.0介绍：在Spark SQL中定义查询优化规则

文章目录 [ hide ]

1 Catalyst优化器
2 dataframe的优化计划(Optimized plan)
3 自定义优化计划
4 将自定义的优化规则加入到Catalyst中
5 使用自定义优化规则

Catalyst优化器

Spark SQL使用Catalyst优化所有的查询，包括spark sql和dataframe dsl。这个优化器的使用使得查询比直接使用RDD要快很多。Spark在每个版本都会对Catalyst进行优化以便提高查询性能，而不需要用户修改他们的代码。

Catalyst是一个单独的模块类库，这个模块是基于规则的系统。这个框架中的每个规则都是针对某个特定的情况来优化的。比如： ConstantFolding 规则用于移除查询中的常量表达式。

在Spark的早期版本，如果需要添加自定义的优化规则，我们需要修改Spark的源码，这在很多情况下是不太可取的，比如我们仅仅需要优化特定的领域或者场景。所以开发社区想有一种可插拨的方式在Catalyst中添加优化规则。

值得高兴的是，Spark 2.0提供了这种实验式的API，我们可以基于这些API添加自定义的优化规则。本文将介绍如何编写自定义的优化规则，并将这些规则添加到Catalyst中。

dataframe的优化计划(Optimized plan)

在编写我们自定义的优化规则之前，首先我们来理解如何在Spark中访问优化计划，下面代码片段就是展示访问优化计划的：

/**

* User: 过往记忆

* Date: 2016年07月14日

* Time: 下午22:49

* bolg: http://www.iteblog.com

* 本文地址：http://www.iteblog.com/archives/1706

* 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货

* 过往记忆博客微信公共帐号：iteblog_hadoop

*/

scala> val df = spark.read.option( "header" , "true" ).csv( "file:///user/iteblog/sales.csv" )

df : org.apache.spark.sql.DataFrame = [transactionId : string, customerId : string ... 2 more fields]

scala> val multipliedDF = df.selectExpr( "amountPaid * 1" )

multipliedDF : org.apache.spark.sql.DataFrame = [(amountPaid * 1 ) : double]

scala> println(multipliedDF.queryExecution.optimizedPlan.numberedTreeString)

00 Project [(cast(amountPaid # 89 as double) * 1.0 ) AS (amountPaid * 1 ) # 91 ]

01 +- Relation[transactionId # 86 ,customerId # 87 ,itemId # 88 ,amountPaid # 89 ] csv

上面代码中我们加载了一个csv文件，并对每一行的 amountPaid 自动乘以1。我们可以使用 queryExecution 方法上的 optimizedPlan 对象来查看这个DataFrame的优化计划。 queryExecution 允许我们访问运行这个查询的所有信息。优化计划就是其中一个。

Spark中的所有计划都是使用tree代表的。所以 numberedTreeString 方法以树形的方式打印出优化计划。正如上面的输出一样。

所有的计划都是从下往上读的。下面是树中的两个节点：

1、01 Relation：表示从csv文件创建的DataFrame；

2、00 Project：表示投影（也就是需要查询的列）。

从上面的输出可以看到，为了得到正确的结果，Spark通过 cast 将 amountPaid 转换成 double 类型。

自定义优化计划

从上面的计划可以看出，Spark自动对每一行的 amountPaid 乘上 1.0 。但是这不是最优计划！因为如果是乘以1，最终的结果是一样的。所有我们可以利用这个知识来编写自定义的优化规则，并将这个规则加入到Catalyst中。

下面代码片段展示了如何自定义优化规则：

/**

* User: 过往记忆

* Date: 2016年07月14日

* Time: 下午22:49

* bolg: http://www.iteblog.com

* 本文地址：http://www.iteblog.com/archives/1706

* 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货

* 过往记忆博客微信公共帐号：iteblog_hadoop

*/

scala> import org.apache.spark.sql.SparkSession

import org.apache.spark.sql.SparkSession

scala> import org.apache.spark.sql.catalyst.expressions.{Literal, Multiply}

import org.apache.spark.sql.catalyst.expressions.{Literal, Multiply}

scala> import org.apache.spark.sql.catalyst.plans.logical.LogicalPlan

import org.apache.spark.sql.catalyst.plans.logical.LogicalPlan

scala> import org.apache.spark.sql.catalyst.rules.Rule

import org.apache.spark.sql.catalyst.rules.Rule

scala> object MultiplyOptimizationRule extends Rule[LogicalPlan] {

| def apply(plan : LogicalPlan) : LogicalPlan = plan transformAllExpressions {

| case Multiply(left,right) if right.isInstanceOf[Literal] &&

| right.asInstanceOf[Literal].value.asInstanceOf[Double] == 1.0 = >

| println( "optimization of one applied" )

| left

| }

defined object MultiplyOptimizationRule

这里我们扩展了Rule，Rule是直接操作逻辑计划的。绝大多数的规则都是使用Scala中的模式匹配。在上面的代码中，我们首先判断优化的操作数(operand)是否是文字(literal)，然后判断其值是否是1.0。为了简便起见，我们限定了1出现的位置，如果1出现在左边，这个优化规则将不起作用。但是我们可以仿照上面的示例轻松地实现。

通过上面的规则，如果右边的值是1，我们将直接返回左边的值。

Spark 2.0介绍：在Spark SQL中定义查询优化规则