Spark-SparkSQL深入学习系列八（转自OopsOutOfMemory）

 /** 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：

[java] view
plain copy

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：

[java] view
plain copy

1. protected[sql] lazy val functionRegistry: FunctionRegistry = new SimpleFunctionRegistry //SimpleFunctionRegistry实现，支持简单的UDF  
2.   
3. @transient  
4. protected[sql] lazy val analyzer: Analyzer =  
5.   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。

[java] view
plain copy

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。

[java] view
plain copy

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.   
7.   // Unresolved functions are transient at compile time and don't get evaluated during execution.  
8.   override def eval(input: Row = null): EvaluatedType =  
9.     throw new TreeNodeException(this, s"No function to evaluate expression. type: ${this.nodeName}")  
10.   
11.   override def toString = s"'$name(${children.mkString(",")})"  
12. }<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。

[java] view
plain copy

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

  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.

[java] view
plain copy

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

[java] view
plain copy

1. class SimpleFunctionRegistry extends FunctionRegistry {  
2.   val functionBuilders = new mutable.HashMap[String, FunctionBuilder]() //udf映射关系维护[udfName,Expression]  
3.   
4.   def registerFunction(name: String, builder: FunctionBuilder) = { //put expression进Map  
5.     functionBuilders.put(name, builder)  
6.   }  
7.   
8.   override def lookupFunction(name: String, children: Seq[Expression]): Expression = {  
9.     functionBuilders(name)(children) //查找udf，返回Expression  
10.   }  
11. }  

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：

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

比较简单，看注释即可：

[java] view
plain copy

1. case class ScalaUdf(function: AnyRef, dataType: DataType, children: Seq[Expression])  
2.   extends Expression {  
3.   
4.   type EvaluatedType = Any  
5.   
6.   def nullable = true  
7.   
8.   override def toString = s"scalaUDF(${children.mkString(",")})"  
9.  override def eval(input: Row): Any = {  
10.     val result = children.size match {  
11.       case 0 => function.asInstanceOf[() => Any]()  
12.       case 1 => function.asInstanceOf[(Any) => Any](children(0).eval(input)) //反射调用function  
13.       case 2 =>  
14.         function.asInstanceOf[(Any, Any) => Any](  
15.           children(0).eval(input), //表达式参数计算  
16.           children(1).eval(input))  
17.       case 3 =>  
18.         function.asInstanceOf[(Any, Any, Any) => Any](  
19.           children(0).eval(input),  
20.           children(1).eval(input),  
21.           children(2).eval(input))  
22.       case 4 =>  
23.      ......  
24.        case 22 => //scala function只支持22个参数，这里枚举了。  
25.         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](  
26.           children(0).eval(input),  
27.           children(1).eval(input),  
28.           children(2).eval(input),  
29.           children(3).eval(input),  
30.           children(4).eval(input),  
31.           children(5).eval(input),  
32.           children(6).eval(input),  
33.           children(7).eval(input),  
34.           children(8).eval(input),  
35.           children(9).eval(input),  
36.           children(10).eval(input),  
37.           children(11).eval(input),  
38.           children(12).eval(input),  
39.           children(13).eval(input),  
40.           children(14).eval(input),  
41.           children(15).eval(input),  
42.           children(16).eval(input),  
43.           children(17).eval(input),  
44.           children(18).eval(input),  
45.           children(19).eval(input),  
46.           children(20).eval(input),  
47.           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。