Spark SQL 源码分析之 In-Memory Columnar Storage 之 in-memory query

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：

 

1. scala> val exe = executePlan(sql("select value from src").queryExecution.analyzed)

2. 14/09/26 10:30:26 INFO parse.ParseDriver: Parsing command: select value from src

3. 14/09/26 10:30:26 INFO parse.ParseDriver: Parse Completed

4. exe: org.apache.spark.sql.hive.test.TestHive.QueryExecution =

5. == Parsed Logical Plan ==

6. Project [value#5]

7. InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)

8.  

9. == Analyzed Logical Plan ==

10. Project [value#5]

11. InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)

12.  

13. == Optimized Logical Plan ==

14. Project [value#5]

15. InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)

16.  

17. == Physical Plan ==

18. 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

19.  

20. Code Generation: false

21. == 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。

 

1. private[sql] case class InMemoryColumnarTableScan(

2.     attributes: Seq[Attribute],

3.     relation: InMemoryRelation)

4.   extends LeafNode {

5.  
6.  

7.   override def output: Seq[Attribute] = attributes

8.  
9.  

10.   override def execute() = {

11.     relation.cachedColumnBuffers.mapPartitions { iterator =>

12.       // Find the ordinals of the requested columns.  If none are requested, use the first.

13.       val requestedColumns = if (attributes.isEmpty) {

14.         Seq(0)

15.       } else {

16.         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

17.       }

18.  
19.  

20.       iterator

21.         .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。

22.         .flatMap { columnAccessors =>

23.           val nextRow = new GenericMutableRow(columnAccessors.length) //Row的长度

24.           new Iterator[Row] {

25.             override def next() = {

26.               var i = 0

27.               while (i < nextRow.length) {

28.                 columnAccessors(i).extractTo(nextRow, i) //根据对应index和长度，从byterbuffer里取得值，封装到row里

29.                 i += 1

30.               }

31.               nextRow

32.             }

33.  
34.  

35.             override def hasNext = columnAccessors.head.hasNext

36.           }

37.         }

38.     }

39.   }

40. }

 

查询请求的列，如下：

1. scala> exe.optimizedPlan

2. res93: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =

3. Project [value#5]

4. InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)

5.  
6.  

7. scala> val relation = exe.optimizedPlan(1)

8. relation: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan =

9. InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)

10.  
11.  

12. scala> val request_relation = exe.executedPlan

13. request_relation: org.apache.spark.sql.execution.SparkPlan =

14. InMemoryColumnarTableScan [value#5], (InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None))

15.  
16.  

17. scala> request_relation.output //请求的列，我们请求的只有value列

18. res95: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(value#5)

19.  

20. scala> relation.output //默认保存在relation中的所有列

21. res96: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(key#4, value#5)

22.  
23.  

24. scala> val attributes = request_relation.output

25. 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))

 

1. //根据exprId找出对应ID

2. scala> val attr_index = attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId))

3. 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

4.  

5. scala> relation.output.foreach(e=>println(e.exprId))

6. ExprId(4) //对应<span style="font-family: Arial, Helvetica, sans-serif;">[key#4,value#5]</span>

7. ExprId(5)

8.  

9. scala> request_relation.output.foreach(e=>println(e.exprId))

10. 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：

 

1. new Iterator[Row] {

2. override def next() = {

3. var i = 0

4. while (i < nextRow.length) { //请求列的长度

5. columnAccessors(i).extractTo(nextRow, i)//调用columnType.setField(row, ordinal, extractSingle(buffer))解析buffer

6. i += 1

7. }

8. nextRow//返回解析后的row

9. }

10.  

11. override def hasNext = columnAccessors.head.hasNext

12. }

 

四、总结

 

    Spark SQL In-Memory Columnar Storage的查询相对来说还是比较简单的，其查询思想主要和存储的数据结构有关。

    即存储时，按每列放到一个bytebuffer,形成一个bytebuffer数组。

    查询时，根据请求列的exprId查找到上述数组的索引，然后使用ColumnAccessor对buffer中字段进行解析，最后封装为Row对象，返回。