Spark SQL 欄位血緣在 vivo 網際網路的實踐
作者：vivo網際網路伺服器團隊-Hao Guangshi
一、背景
欄位血緣是在表處理的過程中將欄位的處理過程保留下來。為什麼會需要欄位血緣呢？
有了欄位間的血緣關係，便可以知道資料的來源去處，以及欄位之間的轉換關係，這樣對資料的質量，治理有很大的幫助。
Spark SQL 相對於 Hive 來說通常情況下效率會比較高，對於執行時間、資源的使用上面等都會有較大的收益。
平臺計劃將 Hive 任務遷移到 Spark SQL 上，同時也需要實現欄位血緣的功能。
二、前期調研
開發前我們做了很多相關調研，從中得知 Spark 是支援擴充套件的：允許使用者對 Spark SQL 的 SQL 解析、邏輯計劃的分析和檢查、邏輯計劃的優化、物理計劃的形成等進行擴充套件。
該方案可行，且對 Spark 的原始碼沒有改動，代價也比較小，確定使用該方案。
三、Spark SQL 擴充套件
3.1 Spark 可擴充套件的內容
SparkSessionExtensions是比較重要的一個類，其中定義了注入規則的方法，現在支援以下內容：
【Analyzer Rules】邏輯計劃分析規則
【Check Analysis Rules】邏輯計劃檢查規則
【Optimizer Rules.】 邏輯計劃優化規則
【Planning Strategies】形成物理計劃的策略
【Customized Parser】自定義的sql解析器
【(External) Catalog listeners catalog】監聽器
在以上六種可以使用者自定義的地方，我們選擇了【Check Analysis Rules】。因為該檢查規則在方法呼叫的時候是不需要有返回值的，也就意味著不需要對當前遍歷的邏輯計劃樹進行修改，這正是我們需要的。
而【Analyzer Rules】、【Optimizer Rules】則需要對當前的邏輯計劃進行修改，使得我們難以迭代整個樹，難以得到我們想要的結果。
3.2 實現自己的擴充套件
class ExtralSparkExtension extends (SparkSessionExtensions => Unit) {
override def apply(spark: SparkSessionExtensions): Unit = {
//欄位血緣
spark.injectCheckRule(FieldLineageCheckRuleV3)
//sql解析器
spark.injectParser { case (_, parser) => new ExtraSparkParser(parser) }
}
}
上面按照這種方式實現擴充套件，並在 apply 方法中把自己需要的規則注入到 SparkSessionExtensions 即可，除了以上四種可以注入的以外還有其他的規則。要讓 ExtralSparkExtension 起到作用的話我們需要在spark-default.conf 下配置 spark.sql.extensions=org.apache.spark.sql.hive.ExtralSparkExtension 在啟動 Spark 任務的時候即可生效。
注意到我們也實現了一個自定義的SQL解析器，其實該解析器並沒有做太多的事情。只是在判斷如果該語句包含insert的時候就將 SQLText（SQL語句）設定到一個為 FIELD_LINE_AGE_SQL，之所以將SQLText放到 FIELD_LINE_AGE_SQL 裡面。因為在 DheckRule 裡面是拿不到SparkPlan的我們需要對SQL再次解析拿到 SprkPlan，而FieldLineageCheckRuleV3的實現也特別簡單，重要的在另一個執行緒實現裡面。
這裡我們只關注了insert語句，因為插入語句裡面有從某些個表裡面輸入然後寫入到某個表。
class ExtraSparkParser(delegate: ParserInterface) extends ParserInterface with Logging{
override def parsePlan(sqlText: String): LogicalPlan = {
val lineAgeEnabled = SparkSession.getActiveSession
.get.conf.getOption("spark.sql.xxx-xxx-xxx.enable").getOrElse("false").toBoolean
logDebug(s"SqlText: $sqlText")
if(sqlText.toLowerCase().contains("insert")){
if(lineAgeEnabled){
if(FIELD_LINE_AGE_SQL_COULD_SET.get()){
//執行緒本地變數在這裡
FIELD_LINE_AGE_SQL.set(sqlText)
}
FIELD_LINE_AGE_SQL_COULD_SET.remove()
}
}
delegate.parsePlan(sqlText)
}
//呼叫原始的sqlparser
override def parseExpression(sqlText: String): Expression = {
delegate.parseExpression(sqlText)
}
//呼叫原始的sqlparser
override def parseTableIdentifier(sqlText: String): TableIdentifier = {
delegate.parseTableIdentifier(sqlText)
}
//呼叫原始的sqlparser
override def parseFunctionIdentifier(sqlText: String): FunctionIdentifier = {
delegate.parseFunctionIdentifier(sqlText)
}
//呼叫原始的sqlparser
override def parseTableSchema(sqlText: String): StructType = {
delegate.parseTableSchema(sqlText)
}
//呼叫原始的sqlparser
override def parseDataType(sqlText: String): DataType = {
delegate.parseDataType(sqlText)
}
}
3.3 擴充套件的規則類
case class FieldLineageCheckRuleV3(sparkSession:SparkSession) extends (LogicalPlan=>Unit ) {
val executor: ThreadPoolExecutor =
ThreadUtils.newDaemonCachedThreadPool("spark-field-line-age-collector",3,6)
override def apply(plan: LogicalPlan): Unit = {
val sql = FIELD_LINE_AGE_SQL.get
FIELD_LINE_AGE_SQL.remove()
if(sql != null){
//這裡我們拿到sql然後啟動一個執行緒做剩餘的解析任務
val task = new FieldLineageRunnableV3(sparkSession,sql)
executor.execute(task)
}
}
}
很簡單，我們只是拿到了 SQL 然後便啟動了一個執行緒去得到 SparkPlan，實際邏輯在FieldLineageRunnableV3。
3.4 具體的實現方法
3.4.1 得到 SparkPlan
我們在 run 方法中得到 SparkPlan：
override def run(): Unit = {
val parser = sparkSession.sessionState.sqlParser
val analyzer = sparkSession.sessionState.analyzer
val optimizer = sparkSession.sessionState.optimizer
val planner = sparkSession.sessionState.planner
............
val newPlan = parser.parsePlan(sql)
PASS_TABLE_AUTH.set(true)
val analyzedPlan = analyzer.executeAndCheck(newPlan)
val optimizerPlan = optimizer.execute(analyzedPlan)
//得到sparkPlan
val sparkPlan = planner.plan(optimizerPlan).next()
...............
if(targetTable != null){
val levelProject = new ArrayBuffer[ArrayBuffer[NameExpressionHolder]]()
val predicates = new ArrayBuffer[(String,ArrayBuffer[NameExpressionHolder])]()
//projection
projectionLineAge(levelProject, sparkPlan.child)
//predication
predicationLineAge(predicates, sparkPlan.child)
...............
為什麼要使用 SparkPlan 呢？當初我們考慮的時候，物理計劃拿取欄位關係的時候是比較準的，且鏈路比較短也更直接。
在這裡補充一下 Spark SQL 解析的過程如下：
經過SqlParser後會得到邏輯計劃，此時表名、函式等都沒有解析，還不能執行；經過Analyzer會分析一些繫結資訊，例如表驗證、欄位資訊、函式資訊；經過Optimizer 後邏輯計劃會根據既定規則被優化，這裡的規則是RBO，當然 Spark 還支援CBO的優化；經過SparkPlanner後就成了可執行的物理計劃。
我們看一個邏輯計劃與物理計劃對比的例子：
一個 SQL 語句：
select item_id,TYPE,v_value,imei from t1 union all select item_id,TYPE,v_value,imei from t2 union all select item_id,TYPE,v_value,imei from t3
邏輯計劃是這樣的：
物理計劃是這樣的：
顯然簡化了很多。
得到 SparkPlan 後，我們就可以根據不同的SparkPlan節點做迭代處理。
我們將欄位血緣分為兩種型別：projection（select查詢欄位）、predication(wehre查詢條件)。
這兩種是一種點對點的關係,即從原始表的欄位生成目標表的欄位的對應關係。
想象一個查詢是一棵樹，那麼迭代關係會如下從樹的頂端開始迭代，直到樹的葉子節點，葉子節點即為原始表：
那麼我們迭代查詢的結果應該為
id ->tab1.id ,
name->tab1.name,tabb2.name,
age→tabb2.age。
注意到有該變數 val levelProject = new ArrayBuffer ArrayBuffer[NameExpressionHolder]，通過projecti-onLineAge 迭代後 levelProject 儲存了頂層id，name,age對應的（tab1.id），（tab1.name,tabb2.name），（tabb2.age）。
當然也不是簡單的遞迴迭代，還需要考慮特殊情況例如：Join、ExplandExec、Aggregate、Explode、GenerateExec等都需要特殊考慮。
例子及效果：
SQL:
with A as (select id,name,age from tab1 where id > 100 ) , C as (select id,name,max(age) from A group by A.id,A.name) , B as (select id,name,age from tabb2 where age > 28) insert into tab3 select C.id,concat(C.name,B.name) as name, B.age from B,C where C.id = B.id
效果：
{
"edges": [
{
"sources": [
3
],
"targets": [
0
],
"expression": "id",
"edgeType": "PROJECTION"
},
{
"sources": [
4,
7
],
"targets": [
1
],
"expression": "name",
"edgeType": "PROJECTION"
},
{
"sources": [
5
],
"targets": [
2
],
"expression": "age",
"edgeType": "PROJECTION"
},
{
"sources": [
6,
3
],
"targets": [
0,
1,
2
],
"expression": "INNER",
"edgeType": "PREDICATE"
},
{
"sources": [
6,
5
],
"targets": [
0,
1,
2
],
"expression": "((((default.tabb2.`age` IS NOT NULL) AND (CAST(default.tabb2.`age` AS INT) > 28)) AND (B.`id` > 100)) AND (B.`id` IS NOT NULL))",
"edgeType": "PREDICATE"
},
{
"sources": [
3
],
"targets": [
0,
1,
2
],
"expression": "((default.tab1.`id` IS NOT NULL) AND (default.tab1.`id` > 100))",
"edgeType": "PREDICATE"
}
],
"vertices": [
{
"id": 0,
"vertexType": "COLUMN",
"vertexId": "default.tab3.id"
},
{
"id": 1,
"vertexType": "COLUMN",
"vertexId": "default.tab3.name"
},
{
"id": 2,
"vertexType": "COLUMN",
"vertexId": "default.tab3.age"
},
{
"id": 3,
"vertexType": "COLUMN",
"vertexId": "default.tab1.id"
},
{
"id": 4,
"vertexType": "COLUMN",
"vertexId": "default.tab1.name"
},
{
"id": 5,
"vertexType": "COLUMN",
"vertexId": "default.tabb2.age"
},
{
"id": 6,
"vertexType": "COLUMN",
"vertexId": "default.tabb2.id"
},
{
"id": 7,
"vertexType": "COLUMN",
"vertexId": "default.tabb2.name"
}
]
}
四、總結
在 Spark SQL 的欄位血緣實現中，我們通過其自擴充套件，首先拿到了 insert 語句，在我們自己的檢查規則中拿到 SQL 語句，通過SparkSqlParser、Analyzer、Optimizer、SparkPlanner，最終得到了物理計劃。
我們通過迭代物理計劃，根據不同執行計劃做對應的轉換，然後就得到了欄位之間的對應關係。當前的實現是比較簡單的，欄位之間是直線的對應關係，中間過程被忽略，如果想實現欄位的轉換的整個過程也是沒有問題的。
來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/69912579/viewspace-2888213/，如需轉載，請註明出處，否則將追究法律責任。
相關文章
- Yelp 的 Spark 資料血緣建設實踐！Spark
- vivo網際網路機器學習平臺的建設與實踐機器學習
- 【網際網路】在網際網路中隱私在何方？
- OPPO網際網路DevSecOps實踐dev
- 聊聊網際網路巨頭在新加坡的職位與薪酬
- 劉強東：“網際網路+”探索與實踐
- 郝振亞：工業網際網路領域邊緣計算與區塊鏈實踐區塊鏈
- 全民加速節：全站加速在網際網路媒體應用上的最佳實踐
- 邊緣計算與工業網際網路
- vivo資料中心網路鏈路質量監測的探索實踐
- 跨境網際網路券商架構最佳實踐\n架構
- eMarketer:網際網路全方位影響醫生實踐
- ICANN 的倡議推廣網際網路安全最佳實踐
- Kubernetes容器雲的網際網路企業實踐
- spark sql 實踐（續）SparkSQL
- 看圖後請分析下列人物在網際網路公司中的職位
- 讓網際網路更快：新一代QUIC協議在騰訊的技術實踐分享UI協議
- 40 位改變了網際網路的人
- mongoDB在網際網路金融的應用MongoDB
- 主機廠資料資產血緣分析治理實踐
- [網際網路]網際網路公司的種類
- 在邊緣構建智慧網路的未來
- 逃不過轉行的命運，與網際網路無緣了
- 高歌凱進的網際網路電視廠商緣何遭遇滑鐵盧
- 張翼：Spark SQL在攜程的實踐經驗分享！SparkSQL
- 網際網路公司，網際網路時代的特徵（移動網際網路，平臺思維，網際網路思維）特徵
- 網際網路移動在“雲”端
- 網際網路女皇報告：全球網際網路滲透率停滯在60%
- 機器學習在滴滴網路定位中的探索和實踐機器學習
- 火山引擎DataLeap資料血緣技術建設實踐
- vivo前端智慧化實踐：機器學習在自動網頁佈局中的應用前端機器學習網頁
- 華為的網際網路轉型實驗
- Spark SQL的官網解釋SparkSQL
- 大型網際網路企業威脅情報運營與實踐思考
- “人才熱”退燒 移動網際網路歸位
- 大資料在網際網路時代的意義！大資料
- 網際網路理財的現在和未來
- 網際網路在改變地圖產業地圖產業