小千今天分享的這篇spark筆試題是sparkSQL的優(yōu)化器catalyst，本質上它就是一個SQL查詢的優(yōu)化器，大家了解了它之后基本就能了解其他的SQL處理引擎的優(yōu)化原理了。

      *SQL優(yōu)化器核心執(zhí)行策略主要分為兩個大的方向：基于規(guī)則優(yōu)化（RBO）以及基于代價優(yōu)化(CBO)，基于規(guī)則優(yōu)化是一種經驗式、啟發(fā)式地優(yōu)化思路，更多地依靠前輩總結出來的優(yōu)化規(guī)則，簡單易行且能夠覆蓋到大部分優(yōu)化邏輯，但是對于核心優(yōu)化算子Join卻顯得有點力不從心。舉個簡單的例子，兩個表執(zhí)行Join到底應該使用BroadcastHashJoin 還是SortMergeJoin？當前SparkSQL的方式是通過手工設定參數(shù)來確定，如果一個表的數(shù)據量小于這個值就使用BroadcastHashJoin，但是這種方案顯得很不優(yōu)雅，很不靈活。基于代價優(yōu)化就是為了解決這類問題，它會針對每個Join評估當前兩張表使用每種Join策略的代價，根據代價估算確定一種代價最小的方案。

      *我們這里主要說明基于規(guī)則的優(yōu)化，略提一下CBO

      如上圖是一個SQL經過優(yōu)化器的最終生成物理查詢計劃的留存，紅色部分是我們要重點說明的內容。大 家思考我們寫的一個SQL最終如何在Spark引擎中轉換成具體的代碼執(zhí)行的。任何一個優(yōu)化器工作原理都大同小異：SQL語句首先通過Parser模塊被解析為語法樹，此棵樹稱為Unresolved Logical Plan； Unresolved Logical Plan通過Analyzer模塊借助于數(shù)據元數(shù)據解析為Logical Plan；此時再通過各種基于規(guī)則的優(yōu)化策略進行深入優(yōu)化，得到Optimized Logical Plan；優(yōu)化后的邏輯執(zhí)行計劃依然是邏輯的，并不能被Spark系統(tǒng)理解，此時需要將此邏輯執(zhí)行計劃轉換為Physical Plan；為了更好的對整個過程進行理解，下文通過一個簡單示例進行解釋。

      Parser

      Parser簡單來說是將SQL字符串切分成一個一個Token，再根據一定語義規(guī)則解析為一棵語法樹。Parser模塊目前基本都使用第三方類庫 ANTLR 進行實現(xiàn)，比如Hive、 Presto、SparkSQL等。下圖是一個示例性的SQL語句（有兩張表，其中people表主要存儲用戶基本信息，score表存儲用戶 的各種成績），通過Parser解析后的AST語法樹如下圖所示：

      Analyzer

      通過解析后的邏輯執(zhí)行計劃基本有了?架，但是系統(tǒng)并不知道score、sum這些都是些什么?，此 時需要基本的元數(shù)據信息來表達這些詞素，最重要的元數(shù)據信息主要包括兩部分：表的Scheme和 基本函數(shù)信息，表的scheme主要包括表的基本定義（列名、數(shù)據類型）、表的數(shù)據格式（Json、Text）、表的物理位置等，基本函數(shù)信息主要指類信息。

      Analyzer會再次遍歷整個語法樹，對樹上的每個節(jié)點進行數(shù)據類型綁定以及函數(shù)綁定，比如people 詞素會根據元數(shù)據表信息解析為包含age、id以及name三列的表，people.age會被解析為數(shù)據類型 為int的變量，sum會被解析為特定的聚合函數(shù)，如下圖所示：

      Optimizer

      優(yōu)化器是整個Catalyst的核心，上文提到優(yōu)化器分為基于規(guī)則優(yōu)化和基于代價優(yōu)化兩種，此處只介 紹基于規(guī)則的優(yōu)化策略，基于規(guī)則的優(yōu)化策略實際上就是對語法樹進行一次遍歷，模式匹配能夠滿 足特定規(guī)則的節(jié)點，再進行相應的等價轉換。因此，基于規(guī)則優(yōu)化說到底就是一棵樹等價地轉換為 另一棵樹。SQL中經典的優(yōu)化規(guī)則有很多，下文結合示例介紹三種比較常?的規(guī)則：謂詞下推（Predicate Pushdown）、常量累加（Constant Folding）和列值裁剪（Column Pruning）

      1.謂詞下推， 下圖左邊是經過Analyzer解析后的語法樹，語法樹中兩個表先做join，之后再使用age>10對結果進行過濾。大家知道join算子通常是一個非常耗時的算子，耗時多少一般取決于參與join的兩個表的大小，如果能夠減少參與join兩表的大小，就可以大大降低join算子所需 時間。謂詞下推就是這樣一種功能，它會將過濾操作下推到join之前進行，下圖中過濾條件age>0以及id!=null兩個條件就分別下推到了join之前。這樣，系統(tǒng)在掃描數(shù)據的時候就對數(shù)據 進行了過濾，參與join的數(shù)據量將會得到顯著的減少，join耗時必然也會降低。

      2.常量累加，如下圖。 常量累加其實很簡單，就是 x+(1+2) -> x+3 這樣的規(guī)則，雖然是一個很小的改動，但是意義巨大。示例如果沒有進行優(yōu)化的話，每一條結果都需要執(zhí)行一次100+80的操作，然后再與變量math_score以及english_score相加，而優(yōu)化后就不需要再執(zhí)行100+80操作。

      3.列值裁剪，如下圖。這是一個經典的規(guī)則，示例中對于people表來說，并不需要掃描它的所有列值，而只需要列值id，所以在掃描people之后需要將其他列進行裁剪，只留下列id。這個 優(yōu)化一方面大幅度減少了網絡、內存數(shù)據量消耗，另一方面對于列存數(shù)據庫（Parquet）來說 大大提高了掃描效率

      物理計劃

      經過上述步驟，邏輯執(zhí)行計劃已經得到了比較完善的優(yōu)化，然而，邏輯執(zhí)行計劃依然沒辦法真正執(zhí)行，他們只是邏輯上可行，實際上Spark并不知道如何去執(zhí)行這個東?。比如Join只是一個抽象概 念，代表兩個表根據相同的id進行合并，然而具體怎么實現(xiàn)這個合并，邏輯執(zhí)行計劃并沒有說明。

      此時就需要將邏輯執(zhí)行計劃轉換為物理執(zhí)行計劃，將邏輯上可行的執(zhí)行計劃變?yōu)镾park可以真正執(zhí) 行的計劃。比如Join算子，Spark根據不同場景為該算子制定了不同的算法策略，有BroadcastHashJoin、ShuffleHashJoin以及SortMergeJoin等（可以將Join理解為一個接口， BroadcastHashJoin是其中一個具體實現(xiàn)），物理執(zhí)行計劃實際上就是在這些具體實現(xiàn)中挑選一個耗時最小的算法實現(xiàn)，這個過程涉及到基于代價優(yōu)化(CBO)策略，所謂基于代價 ， 是因為物理執(zhí)行計劃的每一個節(jié)點都是有執(zhí)行代價的，這個代價主要分為兩部分

      第一部分:該執(zhí)行節(jié)點對數(shù)據集的影響，或者說該節(jié)點輸出數(shù)據集的大小與分布（需要去采集）

      第二部分:該執(zhí)行節(jié)點操作算子的代價（相對固定，可用規(guī)則來描述）

      在SQL 執(zhí)行之前會根據代價估算確定一種代價最小的方案來執(zhí)行。我們這里以Join為例子做個簡單說明

      *在 Spark SQL 中 ，Join 可 分 為 Shuffle based Join 和 BroadcastJoin 。 Shuffle basedJoin 需要引入 Shuffle，代價相對較高。BroadcastJoin 無須 Join，但要求至少有一張表足夠小，能通過 Spark 的 Broadcast 機制廣播到每個 Executor 中。

      *在不開啟 CBO 中，Spark SQL 通過 spark.sql.autoBroadcastJoinThreshold 判斷是否啟用BroadcastJoin。其默認值為 10485760 即 10 MB。并且該判斷基于參與 Join 的表的原始大小。

      *在下圖示例中，Table 1 大小為 1 TB，Table 2 大小為 20 GB，因此在對二者進行 join 時，由于二者都遠大于自動 BroatcastJoin 的閾值，因此 Spark SQL 在未開啟 CBO 時選用 SortMergeJoin 對二者進行 Join。

      *而開啟 CBO 后，由于 Table 1 經過 Filter 1 后結果集大小為 500 GB，Table 2 經過 Filter 2后結果集大小為 10 MB 低于自動 BroatcastJoin 閾值，因此 Spark SQL 選用 BroadcastJoin。

      學習大數(shù)據開發(fā)，可以參考千鋒大數(shù)據培訓班提供的大數(shù)據學習路線，千鋒大數(shù)據培訓機構的學習路線提供完整的大數(shù)據開發(fā)知識體系，內容包含Linux&&Hadoop生態(tài)體系、大數(shù)據計算框架體系、云計算體系、機器學習&&深度學習。根據千鋒大數(shù)據培訓班提供的大數(shù)據學習路線圖可以讓你對學習大數(shù)據需要掌握的知識有個清晰的了解，并快速入門大數(shù)據開發(fā)。想要獲取免費的大數(shù)據學習資料可以添加我們的大數(shù)據技術交流qq群：857910996，加群找管理領取即可，有任何大數(shù)據相關問題也可以加群解決，等你來哦~~