【原创】经验分享（15）spark sql limit实现原理

标签：https   test   tor   div   table   intern   ide   原创   from   

之前讨论过hive中limit的实现，详见 https://www.cnblogs.com/barneywill/p/10109217.html
下面看spark sql中limit的实现，首先看执行计划：

spark-sql> explain select * from test1 limit 10;
== Physical Plan ==
CollectLimit 10
+- HiveTableScan [id#35], MetastoreRelation temp, test1
Time taken: 0.201 seconds, Fetched 1 row(s)

limit对应的CollectLimit，对应的实现类是

org.apache.spark.sql.execution.CollectLimitExec

case class CollectLimitExec(limit: Int, child: SparkPlan) extends UnaryExecNode {
...
  protected override def doExecute(): RDD[InternalRow] = {
    val locallyLimited = child.execute().mapPartitionsInternal(_.take(limit))
    val shuffled = new ShuffledRowRDD(
      ShuffleExchange.prepareShuffleDependency(
        locallyLimited, child.output, SinglePartition, serializer))
    shuffled.mapPartitionsInternal(_.take(limit))
  }

可见实现非常简单，首先调用SparkPlan.execute得到结果的RDD，然后从每个partition中取前limit个row得到一个新的RDD，然后再将这个新的RDD变成一个分区，然后再取前limit个，这样就得到最终的结果。

【原创】经验分享（15）spark sql limit实现原理

标签：https   test   tor   div   table   intern   ide   原创   from   

原文地址：https://www.cnblogs.com/barneywill/p/10155597.html