Spark SQL优化机制

RDD 缺点 : RDD的算子都是高阶函数 ，Spark Core 不知函数内的操作，只能闭包形式发给 Executors， 无法优化

DataFrame 不同点：

• 数据的表示形式 ：有数据模式（Data Schema）的结构化数据
• 开发算子 ：一套 DSL算子（Domain Specific Language)

Spark 能用 DataFrame ，基于启发式的规则或策略，动态的运行时信息，去优化 DataFrame 的计算过程

Spark SQL

• Spark Core ：特指 Spark 底层执行引擎（Execution Engine），包括：调度系统、存储系统、内存管理、Shuffle 管理
• Spark SQL ：基于 Spark Core 上，有一层独立的优化引 (Optimization Engine)

Spark Core/Spark SQL关系：

• Spark SQL 优化后的代码，交给 Spark Core 执行

Spark SQL 的两个核心组件：Catalyst 优化器 /Tungsten

• Catalyst 优化器：负责创建并优化执行计划，有 3 个功能模块：创建语法树并生成执行计划、逻辑阶段优化、物理阶段优化
• Tungsten ：负责优化数据结果与可执行代码 ，衔接 Catalyst 执行计划与底层的 Spark Core 执行引擎

Catalyst 优化器

Catalyst 优化器的作用：在逻辑优化阶段，基于启发式的规则和策略调整、优化执行计划，为物理优化阶段提升性能奠定基础

逻辑优化

Catalyst 的优化过程 : 先用第三方的 SQL 解析器 ANTLR 生成抽象语法树（AST，AbstractSyntax Tree）

AST 的两个基本元素构成

• 节点：各式各样的操作算子，如 : select、filter、agg
• 边 : 记录了数据表的 Schema 信息 ，如 : 字段名、字段类型

AST 语法树/执行计划(Execution Plan ) ：

Parquet 格式在文件层面支持两项特性 :

• 谓词下推、列剪枝 ：都是启发式的规则或策略
• 谓词下推 (Predicates Pushdown) : batchNum >= 201601的过滤条件，在扫描过程时，只读取那些满足条件的数据文件
• 列剪枝 (Columns Pruning）：Parquet 是列存 (Columns Store) 数据结构，只取某个字段名的数据文件时，就会剪掉其他数据文件的过程

Spark 只扫描绿色部分 :

逻辑优化的执行计划 ：

• 执行顺序 : Scan > Filter > Select变成 Filter > Select > Scan

物理优化

Catalyst 的优化阶段差异：

• 逻辑阶段 ：依赖先验的启发式经验 ， 基于经验优化
• 物理阶段：依赖各式各样的统计信息，如：数据表尺寸、是否启用数据缓存、Shuffle 中间文件， 基于数据优化

Join 节点物理阶段优化：

• 采用哪种实现机制实现关联：嵌套循环连接（NLJ，Nested Loop Join）、排序归并连接（Sort Merge Join）、哈希连接（Hash Join）
• 采用哪种数据分发实现关联：Shuffle Join 和 Broadcast Join
• 根据两张表的存储大小，决定采用 ：运行稳定但性能略差的 Shuffle Sort Merge Join 或 执行性能更佳的 Broadcast Hash Join

Tungsten

基于Catalyst ，Tungsten 在数据结构/执行代码进行进一步的优化

• 数据结构优化： Unsafe Row 的设计与实现
• 执行代码优化：全阶段代码生成（WSCG，Whole Stage Code Generation）

Unsafe Row

Spark SQL 默认采用 org.apache.spark.sql.Row 对象对每条数据进行封装和存储，Java Object 会有大量的存储开销

Unsafe Row 是二进制数据结构，以字节数组的格式存储每条数据，能减少存储开销

采用默认的 Row存储：

• 每条记录需要消耗至少 60 个字节

采用 Tungsten Unsafe Row 存储：

• 每条数据记录仅需消耗十几个字节

WSCG

WSCG：全阶段代码生成

• 全阶段：调度系统中的 Stage
• 代码生成：运行时，把链式调用的算子合成一份代码。如：把 Filter、Select、Scan 合成一个函数

绿色节点属于同一个 Stage ：