> **摘要**：从 2012 年的 Shark 到 2020 年的 Adaptive Query Execution，SparkSQL 走过了一条从"Hive on Spark"到"世界级 SQL 引擎"的进化之路。本文沿时间线追溯 Shark→SchemaRDD→DataFrame→Dataset→AQE 五个关键阶段，深度解析 Catalyst 优化器的 TreeNode+Rule 架构（Analysis→Logical Optimization→Physical Planning→Code Generation），配合版本能力矩阵和 2 张原创架构图，完整展现 SparkSQL 的十年演变史。
>
> **关键词**：SparkSQL, DataFrame, Dataset, Catalyst, Tungsten, AQE, WholeStageCodegen, Shark

---

## 一、开篇：为什么需要理解 SparkSQL 的演变？

SparkSQL 是 Spark 生态中使用最广泛的模块——从 `spark.sql("SELECT ...")` 到 `df.filter().groupBy().agg()`，背后是近十年持续演进的查询引擎。

```
SparkSQL 演变主线
2012: Shark (Hive on Spark)         → 2014 废弃
2014: SchemaRDD (Spark 1.0-1.2)      → DataFrame 前身
2015: DataFrame + Catalyst (1.3)     → 🔥 里程碑
2016: Dataset + Tungsten (1.6-2.0)   → 类型安全+极致性能
2017: WholeStageCodegen (2.0)        → 全阶段代码生成
2020: AQE + DPP (3.0)                → 运行时自适应优化
```

---

## 二、演变全景时间线

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-2482016/c3934f1bda90b416a92fd6042b6ff33b.png)

### 阶段一：Shark (0.9~1.0) — 已废弃

```
Shark = HiveQL 解析 → 翻译为 RDD 操作 → 在 Spark 上执行
优势: 复用 Hive 元数据 · SerDe · UDF · 比 Hive MR 快 100x
致命缺陷:
  ❌ 编译缓慢（HiveQL→RDD 翻译层开销大）
  ❌ 不支持中间结果缓存
  ❌ 与 Spark 编程模型割裂
  ❌ 无 Catalyst · 无 Tungsten
```

### 阶段二：SchemaRDD (1.0~1.2)

```
SchemaRDD = RDD[Row] + Schema 信息
spark.sql("SELECT * FROM t") → SchemaRDD
局限: 无类型安全 · 无 Encoder · 无 Catalyst
```

### 阶段三：DataFrame + Catalyst (1.3) — 里程碑

```
DataFrame = Dataset[Row] — 带 Schema 的分布式数据表
Catalyst Optimizer 首次引入
核心优化: 谓词下推 · 列裁剪 · 常量折叠 · 投影合并
Tungsten 引擎: 堆外内存 · 代码生成 · 缓存友好布局
```

### 阶段四：Dataset + Encoder (1.6~2.x)

```
Dataset[T] = DataFrame + Encoder[T]
Encoder: JVM 对象 ↔ Spark SQL 内部二进制格式（比 Kryo 快 ~10x）
编译时类型安全 + 运行时 Tungsten 优化
Spark 2.0: WholeStageCodegen
```

### 阶段五：AQE + DPP (3.0+)

```
AQE 三大利器:
  ① 动态合并 Shuffle 分区
  ② 动态切换 Join 策略（SortMerge → Broadcast）
  ③ 动态优化数据倾斜 Join
DPP: 分区裁剪下推到 Scan
ANSI SQL 模式
```

---

## 三、Catalyst 优化器核心架构

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-2482016/62ffde61cc002d492616809f75b96c2a.png)

### 3.1 四阶段流水线

```
① Analysis: Unresolved → Resolved LogicalPlan
   解析表名/列名/函数名 → 类型推断与隐式转换
② Logical Optimization (70+ 规则):
   谓词下推·列裁剪·常量折叠·子查询消除·布尔简化
③ Physical Planning:
   Cost-Based: 评估行数/数据大小 → 选择最佳 Join 策略
   AQE (3.0+): 运行时根据实际数据量动态调整
④ Code Generation:
   WholeStageCodegen → 多算子融合 → Janino 编译
```

### 3.2 RuleExecutor 引擎

```scala
Batch("OperatorOptimization", FixedPoint(100),
  PushPredicateThroughJoin,  // 谓词穿透 Join
  ColumnPruning,             // 列裁剪
  NullPropagation,            // Null 传播
  ConstantFolding,            // 常量折叠
  BooleanSimplification,      // 布尔简化
  ...70+ 规则
)
// 策略: Once · FixedPoint(N) · Strategy
```

---

## 四、版本能力矩阵

| 能力 | 1.0 Shark | 1.3 DataFrame | 2.0 Dataset | 3.0 AQE |
|------|----------|--------------|-------------|---------|
| Catalyst | ✗ | ✓ | ✓+Cost | ✓++ |
| Tungsten | ✗ | ✓ | ✓+WSCG | ✓++ |
| AQE | ✗ | ✗ | ✗ | ✓ |
| Encoder | ✗ | ✗ | ✓ | ✓ |
| ANSI SQL | ✗ | ✗ | ✗ | ✓ |

---

## 五、总结

1. **演变主线**：Shark→SchemaRDD→DataFrame+Catalyst(1.3)→Dataset+Encoder(1.6)→WholeStageCodegen(2.0)→AQE+DPP(3.0)。

2. **Catalyst 四阶段**：Analysis→Logical Optimization(70+规则)→Physical Planning(CBO+AQE)→Code Generation。

3. **关键转折**：DataFrame(1.3)让 Spark 有了查询优化器；Dataset(1.6)让 API 层面类型安全；AQE(3.0)让优化从编译时跃升到运行时。


摘要：从 2012 年的 Shark 到 2020 年的 Adaptive Query Execution，SparkSQL 走过了一条从"Hive on Spark"到"世界级 SQL 引擎"的进化之路。本文沿时间线追溯 Shark→SchemaRDD→DataFrame→Dataset→AQE 五个关键阶段，深度解析 Catalyst 优化器的 TreeNode+Rule 架构（Analysis→Logical Optimization→Physical Planning→Code Generation），配合版本能力矩阵和 2 张原创架构图，完整展现 SparkSQL 的十年演变史。

SparkSQL 演变历史分析

摘要：从 2012 年的 Shark 到 2020 年的 Adaptive Query Execution，SparkSQL 走过了一条从"Hive on Spark"到"世界级 SQL 引擎"的进化之路。本文沿时间线追溯 Shark→SchemaRDD→DataFrame→Dataset→AQE 五个关键阶段，深度解析 Catalyst 优化器的 TreeNode+Rule 架构（Analysi

人工智能

SparkSQL十年演变史：从Shark到AQE的完整技术路线图。深度解析Catalyst四阶段架构（Analysis→LogicalOptimization→PhysicalPlanning→CodeGeneration），涵盖DataFrame、Dataset、Tungsten、WholeStageCodegen等关键里程碑。含版本能力矩阵与原创架构图，揭示查询优化从编译时到运行时的进化逻辑。

代码解释

Spark 

Hive

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

SparkSQL十年演变史：从Shark到AQE的完整技术路线图。深度解析Catalyst四阶段架构（Analysis→LogicalOptimization→PhysicalPlanning→CodeGeneration），涵盖DataFrame、Dataset、Tungsten、WholeStageCodegen等...

SparkSQL 演变历史分析-腾讯云开发者社区-腾讯云

SparkSQL 演变历史分析

SparkSQL 演变历史分析

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐