标签：spark sql catalyst spark sql storage
/** Spark SQL源码分析系列文章*/
Spark SQL 可以将数据缓存到内存中，我们可以见到的通过调用cache table tableName即可将一张表缓存到内存中，来极大的提高查询效率。
这就涉及到内存中的数据的存储形式，我们知道基于关系型的数据可以存储为基于行存储结构 或 者基于列存储结构，或者基于行和列的混合存储，即Row Based Storage、Column Based Storage、 PAX Storage。
Spark SQL 的内存数据是如何组织的？
Spark SQL 将数据加载到内存是以列的存储结构。称为In-Memory Columnar Storage。
若直接存储Java Object 会产生很大的内存开销，并且这样是基于Row的存储结构。查询某些列速度略慢，虽然数据以及载入内存，查询效率还是低于面向列的存储结构。
基于Row的Java Object存储：
内存开销大，且容易FULL GC，按列查询比较慢。
基于Column的ByteBuffer存储(Spark SQL)：
内存开销小，按列查询速度较快。
Spark SQL的In-Memory Columnar Storage是位于spark列下面org.apache.spark.sql.columnar包内:
核心的类有 ColumnBuilder, InMemoryColumnarTableScan, ColumnAccessor, ColumnType.
如果列有压缩的情况：compression包下面有具体的build列和access列的类。
当我们调用spark sql 里的cache table command时，会生成一CacheCommand，这个Command是一个物理计划。
scala> val cached = sql("cache table src")cached: org.apache.spark.sql.SchemaRDD = SchemaRDD[0] at RDD at SchemaRDD.scala:103 == Query Plan == == Physical Plan == CacheCommand src, true
这里打印出来tableName是src， 和一个是否要cache的boolean flag.
我们看下CacheCommand的构造：
CacheCommand支持2种操作，一种是把数据源加载带内存中，一种是将数据源从内存中卸载。
对应于SQLContext下的cacheTable和uncacheTabele。
case class CacheCommand(tableName: String, doCache: Boolean)(@transient context: SQLContext)
extends LeafNode with Command {
override protected[sql] lazy val sideEffectResult = {
if (doCache) {
context.cacheTable(tableName) //缓存表到内存
} else {
context.uncacheTable(tableName)//从内存中移除该表的数据
}
Seq.empty[Any]
}
override def execute(): RDD[Row] = {
sideEffectResult
context.emptyResult
}
override def output: Seq[Attribute] = Seq.empty
}如果调用cached.collect(),则会根据Command命令来执行cache或者uncache操作，这里我们执行cache操作。
cached.collect()将会调用SQLContext下的cacheTable函数：
首先通过catalog查询关系，构造一个SchemaRDD。
/** Returns the specified table as a SchemaRDD */
def table(tableName: String): SchemaRDD =
new SchemaRDD(this, catalog.lookupRelation(None, tableName)) /** Caches the specified table in-memory. */
def cacheTable(tableName: String): Unit = {
val currentTable = table(tableName).queryExecution.analyzed //构造schemaRDD并将其执行analyze计划操作
val asInMemoryRelation = currentTable match {
case _: InMemoryRelation => //如果已经是InMemoryRelation，则返回
currentTable.logicalPlan
case _ => //如果不是（默认刚刚cache的时候是空的）则构建一个内存关系InMemoryRelation
InMemoryRelation(useCompression, columnBatchSize, executePlan(currentTable).executedPlan)
}
//将构建好的InMemoryRelation注册到catalog里。
catalog.registerTable(None, tableName, asInMemoryRelation)
}
InMemoryRelation继承自LogicalPlan，是Spark1.1 Spark SQL里新添加的一种TreeNode，也是catalyst里的一种plan. 现在TreeNode变成了4种：
1、BinaryNode 二元节点
2、LeafNode 叶子节点
3、UnaryNode 单孩子节点
4、InMemoryRelation 内存关系型节点
类图如下：
值得注意的是，_cachedColumnBuffers这个类型为RDD[Array[ByteBuffer]]的私有字段。
这个封装就是面向列的存储ByteBuffer。前面提到相较于plain java object存储记录，用ByteBuffer能显著的提高存储效率，减少内存占用。并且按列查询的速度会非常快。
InMemoryRelation具体实现如下：
构造一个InMemoryRelation需要该Relation的output Attributes，是否需要useCoompression来压缩，默认为false,一次处理的多少行数据batchSize， child 即SparkPlan。
private[sql] case class InMemoryRelation(
output: Seq[Attribute], //输出属性，比如src表里就是[key,value]
useCompression: Boolean, //操作时是否使用压缩，默认false
batchSize: Int, //批的大小量
child: SparkPlan) //spark plan 具体childspark.sql.inMemoryColumnarStorage.compressed 为true来设置内存中的列存储是否需要压缩。
spark.sql.inMemoryColumnarStorage.batchSize 来设置一次处理多少row
spark.sql.defaultSizeInBytes 来设置初始化的column的bufferbytes的默认大小，这里只是其中一个参数。
这些参数都可以在源码中设置，都在SQL Conf
private[spark] object SQLConf {
val COMPRESS_CACHED = "spark.sql.inMemoryColumnarStorage.compressed"
val COLUMN_BATCH_SIZE = "spark.sql.inMemoryColumnarStorage.batchSize"
val DEFAULT_SIZE_IN_BYTES = "spark.sql.defaultSizeInBytes"
再回到case class InMemoryRelation：
_cachedColumnBuffers就是我们最终将table放入内存的存储句柄，是一个RDD[Array[ByteBuffer]。
1、判断_cachedColumnBuffers是否为null，如果不是null，则已经Cache了当前table，重复cache不会触发cache操作。
2、child是SparkPlan，即执行hive table scan，测试我拿sbt/sbt hive/console里test里的src table为例，操作是扫描这张表。这个表有2个字的key是int, value 是string
3、拿到child的output, 这里的output就是 key, value2个列。
4、执行mapPartitions操作，对当前RDD的每个分区的数据进行操作。
5、对于每一个分区，迭代里面的数据生成新的Iterator。每个Iterator里面是Array[ByteBuffer]
6、对于child.output的每一列，都会生成一个ColumnBuilder，最后组合为一个columnBuilders是一个数组。
7、数组内每个CommandBuilder持有一个ByteBuffer
8、遍历原始分区的记录，将对于的行转为列，并将数据存到ByteBuffer内。
9、最后将此RDD调用cache方法，将RDD缓存。
10、将cached赋给_cachedColumnBuffers。
此操作总结下来是：执行hive table scan操作，返回的MapPartitionsRDD对其重新定义mapPartition方法，将其行转列，并且最终cache到内存中。
所有流程如下：
// If the cached column buffers were not passed in, we calculate them in the constructor.
// As in Spark, the actual work of caching is lazy.
if (_cachedColumnBuffers == null) { //判断是否已经cache了当前table
val output = child.output
/**
* child.output
res65: Seq[org.apache.spark.sql.catalyst.expressions.Attribute] = ArrayBuffer(key#6, value#7)
*/
val cached = child.execute().mapPartitions { baseIterator =>
/**
* child.execute()是Row的集合，迭代Row
* res66: Array[org.apache.spark.sql.catalyst.expressions.Row] = Array([238,val_238])
*
* val row1 = child.execute().take(1)
* res67: Array[org.apache.spark.sql.catalyst.expressions.Row] = Array([238,val_238])
* */
/*
* 对每个Partition进行map，映射生成一个Iterator[Array[ByteBuffer]，对应java的Iterator<List<ByteBuffer>>
* */
new Iterator[Array[ByteBuffer]] {
def next() = {
//遍历每一列，首先attribute是key 为 IntegerType ，然后attribute是value是String
//最后封装成一个Array， index 0 是 IntColumnBuilder， 1 是StringColumnBuilder
val columnBuilders = output.map { attribute =>
val columnType = ColumnType(attribute.dataType)
val initialBufferSize = columnType.defaultSize * batchSize
ColumnBuilder(columnType.typeId, initialBufferSize, attribute.name, useCompression)
}.toArray
//src表里Row是[238,val_238] 这行Row的length就是2
var row: Row = null
var rowCount = 0
//batchSize默认1000
while (baseIterator.hasNext && rowCount < batchSize) {
//遍历每一条记录
row = baseIterator.next()
var i = 0
//这里row length是2，i的取值是0 和 1
while (i < row.length) {
//获取columnBuilders， 0是IntColumnBuilder，
//BasicColumnBuilder的appendFrom
//Appends `row(ordinal)` to the column builder.
columnBuilders(i).appendFrom(row, i)
i += 1
}
//该行已经插入完毕
rowCount += 1
}
//limit and rewind,Returns the final columnar byte buffer.
columnBuilders.map(_.build())
}
def hasNext = baseIterator.hasNext
}
}.cache()
cached.setName(child.toString)
_cachedColumnBuffers = cached
}
val columnBuilders = output.map { attribute =>
val columnType = ColumnType(attribute.dataType)
val initialBufferSize = columnType.defaultSize * batchSize
ColumnBuilder(columnType.typeId, initialBufferSize, attribute.name, useCompression)
}.toArray
这里会声明一个数组，来对应每一列的存储，如下图：
然后初始化类型builder的时候会传入的参数：
initialBufferSize：文章开头的图中会有ByteBuffer，ByteBuffer的初始化大小是如何计算的？
initialBufferSize = 列类型默认长度 × batchSize ，默认batchSize是1000
拿Int类型举例，initialBufferSize of IntegerType = 4 * 1000
attribute.name即字段名age,name etc。。。
ColumnType封装了 该类型的 typeId 和 该类型的 defaultSize。并且提供了extract、append\getField方法，来向buffer里追加和获取数据。
如IntegerType typeId 为0， defaultSize 4 ......
详细看下类图，画的不是非常严格的类图，主要为了展示目前类型系统：
ColumnBuilder的主要职责是：管理ByteBuffer，包括初始化buffer，添加数据到buffer内，检查剩余空间，和申请新的空间这几项主要职责。
initialize负责初始化buffer。
appendFrom是负责添加数据。
ensureFreeSpace确保buffer的长度动态增加。
类图如下：
初始化大小initialSize：拿Int举例，在前面builder初始化传入的是4×batchSize=4*1000，initialSize也就是4KB，如果没有传入initialSize,则默认是1024×1024。
列名称，是否需要压缩，都是需要传入的。
ByteBuffer声明时预留了4个字节，为了放column type id,这个在ColumnType的构造里有介绍过。
override def initialize(
initialSize: Int,
columnName: String = "",
useCompression: Boolean = false) = {
val size = if (initialSize == 0) DEFAULT_INITIAL_BUFFER_SIZE else initialSize //如果没有默认1024×1024 byte
this.columnName = columnName
// Reserves 4 bytes for column type ID
buffer = ByteBuffer.allocate(4 + size * columnType.defaultSize) // buffer的初始化长度，需要加上4byte类型ID空间。
buffer.order(ByteOrder.nativeOrder()).putInt(columnType.typeId)//根据nativeOrder排序，然后首先放入typeId
}
存储的方式如下：
Int的type id 是0， string的 type id 是 7. 后面就是实际存储的数据了。
存储结构都介绍完毕，最后开始对Table进行scan了，scan后对每一个分区的每个Row进行操作遍历：
1、读每个分区的每条Row
2、获取每个列的值，从builders数组里找到索引 i 对应的bytebuffer，追加至bytebuffer。
while (baseIterator.hasNext && rowCount < batchSize) {
//遍历每一条记录
row = baseIterator.next()
var i = 0
//这里row length是2，i的取值是0 和 1 Ps:还是拿src table做测试，每一个Row只有2个字段，key, value所有长度为2
while (i < row.length) {
//获取columnBuilders， 0是IntColumnBuilder，
//BasicColumnBuilder的appendFrom
//Appends `row(ordinal)` to the column builder.
columnBuilders(i).appendFrom(row, i) //追加到对应的bytebuffer
i += 1
}
//该行已经插入完毕
rowCount += 1
}
//limit and rewind,Returns the final columnar byte buffer.
columnBuilders.map(_.build())根据当前builder的类型，从row的对应索引中取出值，最后追加到builder的bytebuffer内。
override def appendFrom(row: Row, ordinal: Int) {
//ordinal是Row的index，0就是第一列值，1就是第二列值，获取列的值为field
//最后在将该列的值put到该buffer内
val field = columnType.getField(row, ordinal)
buffer = ensureFreeSpace(buffer, columnType.actualSize(field))//动态扩容
columnType.append(field, buffer)
}主要是操作buffer，如果要追加的数据大于剩余空间，就扩大buffer。
//确保剩余空间能容下，如果剩余空间小于 要放入的大小，则重新分配一看内存空间
private[columnar] def ensureFreeSpace(orig: ByteBuffer, size: Int) = {
if (orig.remaining >= size) { //当前buffer剩余空间比要追加的数据大，则什么都不做，返回自身
orig
} else { //否则扩容
// grow in steps of initial size
val capacity = orig.capacity()
val newSize = capacity + size.max(capacity / 8 + 1)
val pos = orig.position()
orig.clear()
ByteBuffer
.allocate(newSize)
.order(ByteOrder.nativeOrder())
.put(orig.array(), 0, pos)
}
}最后调用MapPartitionsRDD.cache()，将该RDD缓存并添加到spark cache管理中。
至此，我们将一张spark sql table缓存到了spark的jvm中。
对于数据的存储结构，我们常常关注持久化的存储结构，并且在长久时间内有了很多种高效结构。
但是在实时性的要求下，内存数据库越来越被关注，如何优化内存数据库的存储结构，是一个重点，也是一个难点。
对于Spark SQL 和 Shark 里的列存储 是一种优化方案，提高了关系查询中列查询的速度，和减少了内存占用。但是中存储方式还是比较简单的，没有额外的元数据和索引来提高查询效率，希望以后能了解到更多的In-Memory Storage。
——EOF——
原创文章，转载请注明出自：http://blog.csdn.net/oopsoom/article/details/39525483
Spark SQL 源码分析之 In-Memory Columnar Storage 之 cache table
标签：spark sql catalyst spark sql storage
原文地址：http://blog.csdn.net/oopsoom/article/details/39525483
