Spark CBO统计元数据

解析流程

Spark SQL解析流程概述为：

1. SQL语句基于ANTLR4编译解析成AST树，SparkSqlParser#parse通过Visitor访问者模式遍历解析AST树，生成Unresolved Logical Plan(未解析逻辑计划)；
2. 基于Analyzer#apply规则的匹配作用，绑定树节点信息(元数据Catalog)后生成Logical Plan(逻辑计划)；
3. 基于Optimizer#apply优化低效的逻辑树结构，生成Optimized Logical Plan(优化逻辑计划)；
4. 基于SparkPlanner#plan，根据Optimized Logical Plan匹配对应的Strategy并生成一组Physical Plans(物理计划)；
5. 基于代价模型(Cost Model)选择出Selected Physical Plan(最优物理计划)并进行提交准备(prepareForExecution)；
6. 最后基于代码生成获取执行RDD对象。

以上整个转换过程都在Spark的Driver端进行，不涉及分布式环境。

统计信息

Spark 2.2 开始支持CBO优化，触发统计元数据更新的时机如下：

• ANALYZE：AnalyzeTableCommand、AnalyzeColumnCommand；
• ALTER：AlterTableAddPartitionCommand、AlterTableDropPartitionCommand、AlterTableSetLocationCommand、TruncateTableCommand；
• INSERT：InsertIntoHiveTable、InsertIntoHadoopFsRelationCommand、LoadDataCommand；

Statistics 统计信息，参考：org.apache.spark.sql.catalyst.plans.logical.Statistics

ColumnStat字段统计信息，字段支持直方图(Histograms)统计：

Spark的元数据统计信息的获取有三种方式：

1. 基于持久化的元数据metastore获取，目前仅支持Hive metastore；
2. 基于InMemoryFileIndex，调用底层存储API(Hadoop API)计算数据文件的个数和存储大小；
3. 使用Spark默认设置的数据大小，配置参数：spark.sql.defaultSizeInBytes；

对接外部元数据metastore封装为CatalogStatistics，表的元数据信息从Table#parameters获取，统计信息存储和读取封装分别调用：HiveExternalCatalog#statsToProperties、HiveExternalCatalog#statsFromProperties，HiveClient封装基于Hive Metastore RPC接口，通过调用HiveClient读写保存在Hive Metastore的统计元数据。Spark表统计有如下配置主键：

• spark.sql.statistics.totalSize：表数据文件总大小，单位byte；
• spark.sql.statistics.numRows：表数据总行数；
• spark.sql.statistics.colStats.{字段名}：其中value值是统计json，包括信息有 distinctCount, min, max, nullCount, avgLen, maxLen, histogram, version；

ANALYZE执行

ANALYZE TABLE table_name [ PARTITION ( partition_col_name [ = partition_col_val ] [ , ... ] ) ]
    COMPUTE STATISTICS [ NOSCAN | FOR COLUMNS col [ , ... ] | FOR ALL COLUMNS ]

Analyze命令支持：AnalyzeColumnCommand、AnalyzeTableCommand

统计元数据执行：

• 表统计信息：调用CommandUtils#calculateTotalSize 封装执行，totalSize读取Location下FS文件信息并汇总，numRows调用spark运行程序sparkSession.table("table").count()；
• 字段统计信息：调用CommandUtils#computeColumnStats 封装执行，CommandUtils#computePercentiles 支持直方图统计各分段数据(默认254分段)，字段统计执行Spark Aggregate算子实现；

统计元数据获取：获取表、分区信息会自动补充上统计元数据信息；

统计元数据更新：SessionCatalog#alterTableStats更新元数据，针对Hive Metastore实现，则调用HiveClient#alterTable方法更新元数据配置信息。

我正在参与2024腾讯技术创作特训营最新征文，快来和我瓜分大奖！