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

it2025-09-13 23

/** Spark SQL源代码分析系列文章*/

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内的数据又是怎样查询的，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，能够通过analyzed运行计划来观察内部调用。

即parse后，会形成InMemoryRelation结点，最后运行物理计划时，会调用InMemoryColumnarTableScan这个结点的方法。

例如以下：

scala> val exe = executePlan(sql("select value from src").queryExecution.analyzed) 14/09/26 10:30:26 INFO parse.ParseDriver: Parsing command: select value from src 14/09/26 10:30:26 INFO parse.ParseDriver: Parse Completed exe: org.apache.spark.sql.hive.test.TestHive.QueryExecution = == Parsed Logical Plan == Project [value#5] InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None) == Analyzed Logical Plan == Project [value#5] InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None) == Optimized Logical Plan == Project [value#5] InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None) == Physical Plan == 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 Code Generation: false == RDD ==

二、InMemoryColumnarTableScan

InMemoryColumnarTableScan是Catalyst里的一个叶子结点，包括了要查询的attributes，和InMemoryRelation（封装了我们缓存的In-Columnar Storage数据结构）。运行叶子节点，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一个分区进行操作。 2、获取要请求的attributes，如上，查询请求的是src表的value属性。 3、依据目的查询表达式，来获取在相应存储结构中，请求列的index索引。 4、通过ColumnAccessor来对每一个buffer进行訪问，获取相应查询数据，并封装为Row对象返回。

private[sql] case class InMemoryColumnarTableScan( attributes: Seq[Attribute], relation: InMemoryRelation) extends LeafNode { override def output: Seq[Attribute] = attributes override def execute() = { relation.cachedColumnBuffers.mapPartitions { iterator => // Find the ordinals of the requested columns. If none are requested, use the first. val requestedColumns = if (attributes.isEmpty) { Seq(0) } else { attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId)) //依据表达式exprId找出相应列的ByteBuffer的索引 } iterator .map(batch => requestedColumns.map(batch(_)).map(ColumnAccessor(_)))//依据索引取得相应请求列的ByteBuffer，并封装为ColumnAccessor。 .flatMap { columnAccessors => val nextRow = new GenericMutableRow(columnAccessors.length) //Row的长度 new Iterator[Row] { override def next() = { var i = 0 while (i < nextRow.length) { columnAccessors(i).extractTo(nextRow, i) //依据相应index和长度，从byterbuffer里取得值，封装到row里 i += 1 } nextRow } override def hasNext = columnAccessors.head.hasNext } } } } }

查询请求的列，例如以下：

scala> exe.optimizedPlan res93: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan = Project [value#5] InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None) scala> val relation = exe.optimizedPlan(1) relation: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan = InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None) scala> val request_relation = exe.executedPlan request_relation: org.apache.spark.sql.execution.SparkPlan = InMemoryColumnarTableScan [value#5], (InMemoryRelation [key#4,value#5], false, 1000, (HiveTableScan [key#4,value#5], (MetastoreRelation default, src, None), None)) scala> request_relation.output //请求的列，我们请求的仅仅有value列 res95: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(value#5) scala> relation.output //默认保存在relation中的全部列 res96: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(key#4, value#5) scala> val attributes = request_relation.output attributes: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(value#5) 整个流程非常简洁，关键步骤是第三步。依据ExprId来查找到，请求列的索引 attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId)) //依据exprId找出相应ID scala> val attr_index = attributes.map(a => relation.output.indexWhere(_.exprId == a.exprId)) 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 scala> relation.output.foreach(e=>println(e.exprId)) ExprId(4) //相应<span style="font-family: Arial, Helvetica, sans-serif;">[key#4,value#5]</span> ExprId(5) scala> request_relation.output.foreach(e=>println(e.exprId)) ExprId(5)

三、ColumnAccessor

ColumnAccessor相应每一种类型，类图例如以下：

最后返回一个新的迭代器：

new Iterator[Row] { override def next() = { var i = 0 while (i < nextRow.length) { //请求列的长度 columnAccessors(i).extractTo(nextRow, i)//调用columnType.setField(row, ordinal, extractSingle(buffer))解析buffer i += 1 } nextRow//返回解析后的row } override def hasNext = columnAccessors.head.hasNext }

四、总结

Spark SQL In-Memory Columnar Storage的查询相对来说还是比較简单的，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，依据请求列的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。

——EOF——

原创文章，转载请注明出自：http://blog.csdn.net/oopsoom/article/details/39577419

转载于:https://www.cnblogs.com/bhlsheji/p/4266025.html

相关资源：数据结构—成绩单生成器

最新回复(0)