共计 4042 个字符，预计需要花费 11 分钟才能阅读完成。
摘要：为了解决过多依赖 Hive 的问题, SparkSQL 应用了一个新的 SQL 优化器代替 Hive 中的优化器, 这个优化器就是 Catalyst。
本文分享自华为云社区《Spark 开源新个性：Catalyst 优化流程裁剪》，作者：hzjturbo。
1. 问题背景
上图是典型的 Spark Catalyst 优化器的布局，一条由用户输出的 SQL，到实在可调度执行的 RDD DAG 工作，须要经验以下五个阶段：
- Parser: 将 SQL 解析成相应的形象语法树(AST)，spark 也称为 Unresolved Logical Plan；
- Analyzer: 通过查找 Metadata 的 Catalog 信息，将 Unresolved Logical Plan 变为 Resolved Logical Plan，这个过程会做表、列、数据类型等做校验；
- Optimizer: 逻辑优化流程，通过一些优化规定对匹配上的 Plan 做转换，失去优化后的逻辑 Plan
- Planner：依据 Optimized Logical Plan 的统计信息等转换成相应的 Physical Plan
- Query Execution: 次要是执行前的一些 preparations 优化，比方 AQE, Exchange Reuse, CodeGen stages 合并等
上述的五个阶段中，除了 Parser (由 Antlr 实现)，其余的每个阶段都是由一个个规定 (Rule) 形成，总共大概有 200+ 个，对于不同的规定，还可能须要跑屡次，所以对于绝对比较复杂的查问，可能失去一个 executed Plan 都须要消耗数秒。
Databricks 外部基准测试表明，对于 TPC-DS 查问，每个查问均匀调用树转换函数约 280k 次，这远远超出了必要的范畴。因而，咱们摸索在每个树节点中嵌入 BitSet，以传递本身及其子树的信息，并利用打算不变性来修剪不必要的遍历。通过原型实现验证：在 TPC-DS 基准测试中，咱们看到优化的速度约为 50%，剖析的速度约为 30%，整个查问编译的速度约为 34%（包含 Hive 元存储 RPC 和文件列表）[1]。
2. 设计实现
2.1 Tree Pattern Bits and Rule Id Bits
-
Tree pattern bits
在 TreeNode 减少 nodePatterns 属性，所有继承该类的节点能够通过复写该属性值来标识本人的属性。
/**
* @return a sequence of tree pattern enums in a TreeNode T. It does not include propagated
* patterns in the subtree of T.
*/
protected val nodePatterns: Seq[TreePattern] = Seq()TreePattern 是一个枚举类型，对于每个节点 / 表达式都能够为其设置一个 TreePattern 不便标识，具体可见 TreePatterns.scala。
例如对于 Join 节点的 nodePatterns:
override val nodePatterns : Seq[TreePattern] = {var patterns = Seq(JOIN)
joinType match {
case _: InnerLike => patterns = patterns :+ INNER_LIKE_JOIN
case LeftOuter | FullOuter | RightOuter => patterns = patterns :+ OUTER_JOIN
case LeftSemiOrAnti(_) => patterns = patterns :+ LEFT_SEMI_OR_ANTI_JOIN
case NaturalJoin(_) | UsingJoin(_, _) => patterns = patterns :+ NATURAL_LIKE_JOIN
case _ =>
}
patterns
}-
Rule ID bits
将规定 ID 的缓存 BitSet 嵌入到每个树 / 表达式节点 T 中，这样咱们就能够跟踪规定 R 对于根植于 T 的子树是无效还是有效。这样，如果 R 在 T 上被调用，并且已知 R 有效，如果 R 再次利用于 T（例如，R 位于定点规定批处理中），咱们能够跳过它。这个想法最后被用于 Cascades optimizer，以放慢探索性布局。
Rule:
abstract class Rule[TreeType <: TreeNode[_]] extends SQLConfHelper with Logging {
// The integer id of a rule, for pruning unnecessary tree traversals.
protected lazy val ruleId = RuleIdCollection.getRuleId(this.ruleName)TreeNode:
/**
* A BitSet of rule ids to record ineffective rules for this TreeNode and its subtree.
* If a rule R (which does not read a varying, external state for each invocation) is
* ineffective in one apply call for this TreeNode and its subtree, R will still be
* ineffective for subsequent apply calls on this tree because query plan structures are
* immutable.
*/
private val ineffectiveRules: BitSet = new BitSet(RuleIdCollection.NumRules)2.2 Changes to The Transform Function Family
革新后的 transform 办法相比之前的多了两个判断，如下所示
def transformDownWithPruning(
cond: TreePatternBits => Boolean, // 判断是否存在可优化的节点，由规定设计者所提供
ruleId: RuleId = UnknownRuleId // 不会失效的规定 ID，自动更新
)(rule: PartialFunction[BaseType, BaseType]): BaseType = {
// 如果上述两个条件存在一个不满足，间接跳过本次规定
if (!cond.apply(this) || isRuleIneffective(ruleId)) {return this}
// 执行 rule 的逻辑
val afterRule = CurrentOrigin.withOrigin(origin) {rule.applyOrElse(this, identity[BaseType])
}
// Check if unchanged and then possibly return old copy to avoid gc churn.
if (this fastEquals afterRule) {val rewritten_plan = mapChildren(_.transformDownWithPruning(cond, ruleId)(rule))
// 如果没失效，把规定 ID 退出到不失效的 BitSet 里
if (this eq rewritten_plan) {markRuleAsIneffective(ruleId)
this
} else {rewritten_plan}
} else {
// If the transform function replaces this node with a new one, carry over the tags.
afterRule.copyTagsFrom(this)
afterRule.mapChildren(_.transformDownWithPruning(cond, ruleId)(rule))
}
}2.3 Changes to An Individual Rule
规定的例子:
object OptimizeIn extends Rule[LogicalPlan] with SQLConfHelper {def apply(plan: LogicalPlan): LogicalPlan = plan transform ({
case q: LogicalPlan => q transformExpressionsDown ({case In(v, list) if list.isEmpty => ...
case expr @ In(v, list) if expr.inSetConvertible => ...
}, _.containsPattern(IN), ruleId) // 必须蕴含 IN
}, _.containsPattern(IN), ruleId) // 必须蕴含 IN
}3. 测试后果
在 Delta 中应用 TPC-DS SF10 对 TPC-DS 查问编译工夫进行了基准测试。后果如下：
- 图 1 显示了查问编译速度；
- 表 1 显示了几个要害树遍历函数的调用计数和 CPU 缩小的细分。
我简略运行了开版本的 TPCDSQuerySuite，该测试会把 TPCDS 的语句解析优化，并且查看下生成的代码(CodeGen)，均匀耗时的工夫为三次运行失去的最优值，失去的后果如下:
- 合入 PR 前[2]，蕴含 156 个 Tpcds 查问，均匀总耗时~56s
- 最新 Spark 开源代码，蕴含 150 个 Tpcds 查问，均匀总耗时~19s
之所以最新的 Tpcds 查问比合入 PR 前的条数少 6 条，是因为后续有个缩小反复 TPCDS 的 PR。总时长优化前是优化后的两倍多。
参考援用
[1]. [SPARK-34916] Tree Traversal Pruning for Catalyst Transform/Resolve Function Families. SISP
[2]. SPARK-35544 Add tree pattern pruning to Analyzer rules.
[3]. Building a SIMD Supported Vectorized Native Engine for Spark SQL. link
点击关注，第一工夫理解华为云陈腐技术~
