SparkSQL的执行计划详解

一：首先将我们从文本中读取的数据映射到表也就是视图

eg:

　　$>cat b.txt

 

　　1 ded
　　2 dsfre
　　3 sfs
　　4 fr

　　$>val sc = spark.sparkContext 　　　　#创建SparkContext

　　$>val rdd = sc.textFile("file:///home/Alex_lei/b.txt").map(x=>x.split(" ")).map(x=>(x(0),x(1)))  

　　　　#读取文件到rdd中（tuple形式，因为createDataFrame方法所需要的rdd为tuple形式）

　　$>val df = spark.createDataFrame(rdd)　　　　#创建dataframe

　　$>df.createTempView("person")　　　　　　　　#将dataframe映射到表

 

二：分析

$>val query = spark.sql("select * from person where _1>1")　

（1）explain() 查看物理计划

　　$>query.explain()

　　　　== Physical Plan ==

　　　　　　*Filter (isnotnull(_1#3) && (cast(_1#3 as double) > 1.0))
　　　　　　　　+- *SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, 　　　　　　　　　　assertnotnull(input[0, scala.Tuple2, true])._1, true) AS _1#3, staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._2, true) AS _2#4]
　　　　　　　　　　+- Scan ExternalRDDScan[obj#2]

　　　　说明：类似一棵树，从下往上看，首先扫描外部RDD，然后是序列化字段，在就是过滤，判断是否为null和第一个字段大于1的。

（2）explain(true)查看整个SQL的执行计划，主要分为4个阶段

　　--1:解析过程

　　　　== Parsed Logical Plan ==

　　　　'Project [*]
　　　　　　+- 'Filter ('_1 > 1)
　　　　　　　　+- 'UnresolvedRelation `person`

　　　　说明：Project[*]是我们所要的结果集，解析过程不能判断表person是否存在，有什么关系，然后就是列出过滤条件和所要的结果集。

 

　　--2:逻辑阶段

　　　　== Analyzed Logical Plan ==

　　　　_1: string, _2: string
　　　　　　Project [_1#3, _2#4]
　　　　　　　　+- Filter (cast(_1#3 as double) > cast(1 as double))
　　　　　　　　　　+- SubqueryAlias person
　　　　　　　　　　　　+- SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._1, true) AS _1#3, staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._2, true) AS _2#4]
　　　　　　　　　　　　　　+- ExternalRDD [obj#2]

　　　　说明：首先还是加载外部RDD，然后序列化字段，列出映射表的名字，确认表存在，然后按照条件过滤，获取结果集。

 

　　--3:优化阶段

　　　　== Optimized Logical Plan ==

　　　　　Filter (isnotnull(_1#3) && (cast(_1#3 as double) > 1.0))
　　　　　　+- SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._1, true) AS _1#3, staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._2, true) AS _2#4]
　　　　　　　　+- ExternalRDD [obj#2]

　　　　说明：和之前的一样，优化的部分就是过滤条件，先判断是否为null（hive和关系型数据库都没有），这个和RDD的不同之处是rdd是将数据全部加在进来，而sparksql如果遇到有null值的直接停止，这个是个简单的优化方案，具体其他的优化措施还是根据所写的sql语句。

 

　　--4:物理执行计划

　　　　== Physical Plan ==

　　　　*Filter (isnotnull(_1#3) && (cast(_1#3 as double) > 1.0))
　　　　　　+- *SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._1, true) AS _1#3, staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._2, true) AS _2#4]
　　　　　　　　+- Scan ExternalRDDScan[obj#2]

　　　　说明：同上所说的物理执行计划。