Catalyst Optimizer优化器

Spark SQL的优化器Catalyst是易于扩展的。它同时支持基于规则(rule-based)和基于代价(cost-based)的优化方法。

在它内部，Catalyst包含了一个表示树和操作树的规则的通用库。在此框架下，目前实现了针对关系查询处理(如，表达式，逻辑查询计划)的库，和在处理查询执行不同阶段(分析，逻辑优化，物理优化，代码生成)的一些规则。

Tree

在Catalyst主要的数据类型就是由节点对象组成的树。每个节点都有一个节点类型和0至多个孩子。新节点类型都是Scala里面TreeNode的子类。

Add(Attribute(x), Add(Literal(1), Literal(2)))

Rules

可以使用规则(rules)操纵树，也就是将一棵树转化成另一颗树的方法。虽然规则可以在输入的树上执行任意代码（因为树也仅是一个Scala对象），但通常的做法是使用一系列的pattern matching方法来寻找并使用特定的结果来替换子树。

比如，我们下面实现了折叠(folds)常量间的Add操作：

    tree.transform {
      case Add(Literal(c1), Literal(c2)) => Literal(c1+c2)
    }

这样，对x+(1+2)的树使用该规则，就会产生一颗新树x+3。

在一个转化的调用中，规则可以进行多次match pattern。

最后，规则的条件及内容是可以包含任意代码的。这使得Catalyst能够对初级用户更简单。

另外，树的转化(transformation)都是在不可变(immutable)树上进行的，这易于调试，也更有利于优化器的并行。

Using Catalyst in Spark SQL

Analysis

不管是由SQL parser得到的AST(abstract syntax tree)还是使用API构建的DataFrame对象，关系(relation)里面肯定包含了未解析(unresolved)的属性引用或关系:比如SELECT col FROM sales，直到我们查询sales这张表，我们才知道col的类型，甚至col是否是一个合法的列名。

An attribute is called unresolved if we do not know its type or have not matched it to an input table (or an alias)

Spark SQL使用Catalyst规则和追踪数据源里tables的Catalog对象来解析这些属性。

这部分代码位于 org.apache.spark.sql.catalyst.analysis.Analyzer.scala。

Logical Optimizations

逻辑优化是完全基于规则(rule-based)的。

包括：常量折叠(constant folding)、谓词下推(predicate pushdown)、投影减枝(project pruning)、null propagation、BOOL表达式简化，等等。

predicata pushdown :将外层查询块的 WHERE 子句中的谓词移入所包含的较低层查询块（例如视图），从而能够提早进行数据过滤以及有可能更好地利用索引。

针对不同的情况，添加规则也是及其简单的。

比如下面简化LIKE表达式的：

object LikeSimplification extends Rule[LogicalPlan] {
  val startsWith = "([^_%]+)%".r
  val endsWith = "%([^_%]+)".r
  val contains = "%([^_%]+)%".r
  val equalTo = "([^_%]*)".r

  def apply(plan: LogicalPlan): LogicalPlan = plan transformAllExpressions {
    case Like(l, Literal(startsWith(pattern), StringType)) if !pattern.endsWith("\\") =>
      StartsWith(l, Literal(pattern))
    case Like(l, Literal(endsWith(pattern), StringType)) =>
      EndsWith(l, Literal(pattern))
    case Like(l, Literal(contains(pattern), StringType)) if !pattern.endsWith("\\") =>
      Contains(l, Literal(pattern))
    case Like(l, Literal(equalTo(pattern), StringType)) =>
      EqualTo(l, Literal(pattern))
  }
}

这段代码的注释是：
>
Simplifies LIKE expressions that do not need full regular expressions to evaluate the condition.
For example, when the expression is just checking to see if a string starts with a given pattern.

这部分代码位于org.apache.spark.sql.catalyst.optimizer.Optimizer.scala。

Physical Planning

在物理计划阶段，Spark SQL通过逻辑计划产生一个或多个物理计划，然后使用代价模型(cost model)选择一个计划。

目前，代码模型只在选择Join算法时被用到：如果一个关系很小，SparkSQL将使用broadcast join，利用其peer-to-peer的broadcast特性。代价模型今后可以被推广在其他算法选择上。

物理计划也会执行基于规则的的优化。

这部分代码位于org.apache.spark.sql.execution.SparkStrategies.scala。

Code Generation

在运行时产生Java子节码是最后阶段的查询优化。

因为Spark SQL基本都是在内存数据集上操作，这是CPU-bound的，所以生成代码可以加速运行。

代码生成引擎是很难实现的，基本相当于一个编译器。但是，依赖Scala语言的新特性Quasiquotes，使得它简单得多。Quasiquotes允许程序构建抽象语法树(abstract syntax trees)，在运行时提交给编译器生成子节码。

比如 (x+y)+1，如果没有代码生成，这样的表达式会针对每行数据解释，来遍历树的节点，这样会引入大量分支和虚方法的调用。

def compile(node: Node): AST = node match {
  case Literal(value) => q"$value"
  case Attribute(name) => q"row.get($name)"
  case Add(left, right) => q"${compile(left)} + ${compile(right)}"
}

这部分代码位于org.spark.sql.catalyst.expressions.codegen.CodeGenerator.scala。