《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。
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: * 本文地址:/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: * 本文地址:/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。
将自定义的优化规则加入到Catalyst中
上面我们已经定义好自定义的规则,接下来我们需要将这个规则添加到Catalyst中,如下代码片段:
scala> spark.experimental.extraOptimizations = Seq(MultiplyOptimizationRule) spark.experimental.extraOptimizations: Seq[org.apache.spark.sql.catalyst.rules. Rule[org.apache.spark.sql.catalyst.plans.logical.LogicalPlan]] = List(MultiplyOptimizationRule$@3aaaf13b)
SparkSession中提供了experimental
对象,其包含了所有的实验室API。我们可以使用extraOptimizations
来添加一系列的自定义规则到Catalyst中。
使用自定义优化规则
添加好自定义规则之后,我们需要验证这个规则是否启用。如下代码所示:
/** * User: 过往记忆 * Date: 2016年07月14日 * Time: 下午22:49 * bolg: * 本文地址:/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 multipliedDFWithOptimization = df.selectExpr("amountPaid * 1") multipliedDFWithOptimization: org.apache.spark.sql.DataFrame = [(amountPaid * 1): double] scala> println("after optimization") after optimization scala> println(multipliedDFWithOptimization.queryExecution. | optimizedPlan.numberedTreeString) optimization of one applied 00 Project [cast(amountPaid#89 as double) AS (amountPaid * 1)#93] 01 +- Relation[transactionId#86,customerId#87,itemId#88,amountPaid#89] csv
从上面的输出结果可以看出,amountPaid
上的乘法已经没了,这证明了我们的优化规则已经起作用了。有了这个强大的可插拨优化规则,将会为开发者提供极大的便利。
原创文章版权归过往记忆大数据(过往记忆)所有,未经许可不得转载。
本文链接: 【Spark 2.0介绍:在Spark SQL中定义查询优化规则】(https://www.iteblog.com/archives/1706.html)