children

children

关注
发信
关注(28)粉丝(399)

第八篇：Spark SQL Catalyst源码分析之UDF

/** Spark SQL源码分析系列文章*/

在SQL的世界里，除了官方提供的常用的处理函数之外，一般都会提供可扩展的对外自定义函数接口，这已经成为一种事实的标准。

在前面Spark SQL源码分析之核心流程一文中，已经介绍了Spark SQL Catalyst Analyzer的作用，其中包含了ResolveFunctions这个解析函数的功能。但是随着Spark1.1版本的发布，Spark SQL的代码有很多新完善和新功能了，和我先前基于1.0的源码分析多少有些不同，比如支持UDF：

spark1.0及以前的实现：

  1. protected[sql] lazy val catalog: Catalog = new SimpleCatalog
  2. @transient
  3. protected[sql] lazy val analyzer: Analyzer =
  4. new Analyzer(catalog, EmptyFunctionRegistry, caseSensitive = true) //EmptyFunctionRegistry空实现
  5. @transient
  6. protected[sql] val optimizer = Optimizer

  Spark1.1及以后的实现：

  1. protected[sql] lazy val functionRegistry: FunctionRegistry = new SimpleFunctionRegistry //SimpleFunctionRegistry实现，支持简单的UDF
  2. @transient
  3. protected[sql] lazy val analyzer: Analyzer =
  4. new Analyzer(catalog, functionRegistry, caseSensitive = true)

一、引子：

对于SQL语句中的函数，会经过SqlParser的的解析成UnresolvedFunction。UnresolvedFunction最后会被Analyzer解析。

SqlParser：

除了非官方定义的函数外，还可以定义自定义函数，sql parser会进行解析。

  1. ident ~ "(" ~ repsep(expression, ",") <~ ")" ^^ {
  2. case udfName ~ _ ~ exprs => UnresolvedFunction(udfName, exprs)

将SqlParser传入的udfName和exprs封装成一个class class UnresolvedFunction继承自Expression。

只是这个Expression的dataType等一系列属性和eval计算方法均无法访问，强制访问会抛出异常，因为它没有被Resolved，只是一个载体。

  1. case class UnresolvedFunction(name: String, children: Seq[Expression]) extends Expression {
  2. override def dataType = throw new UnresolvedException(this, "dataType")
  3. override def foldable = throw new UnresolvedException(this, "foldable")
  4. override def nullable = throw new UnresolvedException(this, "nullable")
  5. override lazy val resolved = false
  6. // Unresolved functions are transient at compile time and don't get evaluated during execution.
  7. override def eval(input: Row = null): EvaluatedType =
  8. throw new TreeNodeException(this, s"No function to evaluate expression. type: ${this.nodeName}")
  9. override def toString = s"'$name(${children.mkString(",")})"
  10. }<strong></strong>

Analyzer：

Analyzer初始化的时候会需要Catalog，database和table的元数据关系，以及FunctionRegistry来维护UDF名称和UDF实现的元数据，这里使用SimpleFunctionRegistry。

  1. /**
  2. * Replaces [[UnresolvedFunction]]s with concrete [[catalyst.expressions.Expression Expressions]].
  3. */
  4. object ResolveFunctions extends Rule[LogicalPlan] {
  5. def apply(plan: LogicalPlan): LogicalPlan = plan transform {
  6. case q: LogicalPlan =>
  7. q transformExpressions { //对当前LogicalPlan进行transformExpressions操作
  8. case u @ UnresolvedFunction(name, children) if u.childrenResolved => //如果遍历到了UnresolvedFunction
  9. registry.lookupFunction(name, children) //从UDF元数据表里查找udf函数
  10. }
  11. }
  12. }

二、UDF注册

2.1 UDFRegistration

第八篇：Spark SQL Catalyst源码分析之UDF-LMLPHP

registerFunction("len", (x:String)=>x.length)

registerFunction是UDFRegistration下的方法，SQLContext现在实现了UDFRegistration这个trait，只要导入SQLContext，即可以使用udf功能。

 UDFRegistration核心方法registerFunction：

registerFunction方法签名def registerFunction[T: TypeTag](name: String, func: Function1[_, T]): Unit

接受一个udfName 和 一个FunctionN，可以是Function1 到Function22。即这个udf的参数只支持1-22个。（scala的痛啊）

内部builder通过ScalaUdf来构造一个Expression，这里ScalaUdf继承自Expression（可以简单的理解目前的SimpleUDF即是一个Catalyst的一个Expression），传入scala的function作为UDF的实现，并且用反射检查字段类型是否是Catalyst允许的，见ScalaReflection.

  1. def registerFunction[T: TypeTag](name: String, func: Function1[_, T]): Unit = {
  2. def builder(e: Seq[Expression]) = ScalaUdf(func, ScalaReflection.schemaFor(typeTag[T]).dataType, e)//构造Expression
  3. functionRegistry.registerFunction(name, builder)//向SQLContext的functionRegistry（维护了一个hashMap来管理udf映射）注册

2.2 注册Function：

注意：这里FunctionBuilder是一个type FunctionBuilder = Seq[Expression] => Expression

  1. class SimpleFunctionRegistry extends FunctionRegistry {
  2. val functionBuilders = new mutable.HashMap[String, FunctionBuilder]() //udf映射关系维护[udfName,Expression]
  3. def registerFunction(name: String, builder: FunctionBuilder) = { //put expression进Map
  4. functionBuilders.put(name, builder)
  5. }
  6. override def lookupFunction(name: String, children: Seq[Expression]): Expression = {
  7. functionBuilders(name)(children) //查找udf，返回Expression
  8. }
  9. }

至此，我们将一个scala function注册为一个catalyst的一个Expression，这就是spark的simple udf。

三、UDF计算：

UDF既然已经被封装为catalyst树里的一个Expression节点，那么计算的时候也就是计算ScalaUdf的eval方法。

先通过Row和表达式计算function所需要的参数，最后通过反射调用function，来达到计算udf的目的。

ScalaUdf继承自Expression：

第八篇：Spark SQL Catalyst源码分析之UDF-LMLPHP

scalaUdf接受一个function, dataType，和一系列表达式。

比较简单，看注释即可：

  1. case class ScalaUdf(function: AnyRef, dataType: DataType, children: Seq[Expression])
  2. extends Expression {
  3. type EvaluatedType = Any
  4. def nullable = true
  5. override def toString = s"scalaUDF(${children.mkString(",")})"
  6. override def eval(input: Row): Any = {
  7. val result = children.size match {
  8. case 0 => function.asInstanceOf[() => Any]()
  9. case 1 => function.asInstanceOf[(Any) => Any](children(0).eval(input)) //反射调用function
  10. case 2 =>
  11. function.asInstanceOf[(Any, Any) => Any](
  12. children(0).eval(input), //表达式参数计算
  13. children(1).eval(input))
  14. case 3 =>
  15. function.asInstanceOf[(Any, Any, Any) => Any](
  16. children(0).eval(input),
  17. children(1).eval(input),
  18. children(2).eval(input))
  19. case 4 =>
  20. ......
  21. case 22 => //scala function只支持22个参数，这里枚举了。
  22. function.asInstanceOf[(Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any, Any) => Any](
  23. children(0).eval(input),
  24. children(1).eval(input),
  25. children(2).eval(input),
  26. children(3).eval(input),
  27. children(4).eval(input),
  28. children(5).eval(input),
  29. children(6).eval(input),
  30. children(7).eval(input),
  31. children(8).eval(input),
  32. children(9).eval(input),
  33. children(10).eval(input),
  34. children(11).eval(input),
  35. children(12).eval(input),
  36. children(13).eval(input),
  37. children(14).eval(input),
  38. children(15).eval(input),
  39. children(16).eval(input),
  40. children(17).eval(input),
  41. children(18).eval(input),
  42. children(19).eval(input),
  43. children(20).eval(input),
  44. children(21).eval(input))

四、总结

Spark目前的UDF其实就是scala function。将scala function封装到一个Catalyst Expression当中，在进行sql计算时，使用同样的Eval方法对当前输入Row进行计算。

编写一个spark udf非常简单，只需给UDF起个函数名，并且传递一个scala function即可。依靠scala函数编程的表现能力，使得编写scala udf比较简单，且相较hive的udf更容易使人理解。

——EOF——

原创文章，转载请注明：

转载自：OopsOutOfMemory盛利的Blog，作者： OopsOutOfMemory

本文链接地址：http://blog.csdn.net/oopsoom/article/details/39395641

注：本文基于署名-非商业性使用-禁止演绎 2.5 中国大陆(CC BY-NC-ND 2.5 CN)协议，欢迎转载、转发和评论，但是请保留本文作者署名和文章链接。如若需要用于商业目的或者与授权方面的协商，请联系我。

第八篇：Spark SQL Catalyst源码分析之UDF-LMLPHP

转自：http://blog.csdn.net/oopsoom/article/details/39395641

04-14 05:38
Powered by LMLPHP ©2024 children 0.084237