结构化处理之Spark Session的示例分析

145次阅读

共计 3460 个字符，预计需要花费 9 分钟才能阅读完成。

丸趣 TV 小编给大家分享一下结构化处理之 Spark Session 的示例分析，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

创建 DataFrame，有三种模式，一种是 sql() 主要是访问 Hive 表；一种是从 RDD 生成 DataFrame，主要从 ExistingRDD 开始创建；还有一种是 read/format 格式，从 json/txt/csv 等数据源格式创建。

先看看第三种方式的创建流程。

1、read/format

def read: DataFrameReader = new DataFrameReader(self)

SparkSession.read() 方法直接创建 DataFrameReader，然后再 DataFrameReader 的 load() 方法来导入外部数据源。load() 方法主要逻辑如下：

def load(paths: String*): DataFrame = {
 sparkSession.baseRelationToDataFrame(
 DataSource.apply(
 sparkSession,
 paths = paths,
 userSpecifiedSchema = userSpecifiedSchema,
 className = source,
 options = extraOptions.toMap).resolveRelation())
 }

创建对应数据源类型的 DataSource，DataSource 解析成 BaseRelation, 然后通过 SparkSession 的 baseRelationToDataFrame 方法从 BaseRelation 映射生成 DataFrame。从 BaseRelation 创建 LogicalRelation，然后调用 Dataset.ofRows 方法从 LogicalRelation 创建 DataFrame。DataFrame 实际就是 Dataset。

type DataFrame = Dataset[Row]

baseRelationToDataFrame 的定义：

def baseRelationToDataFrame(baseRelation: BaseRelation): DataFrame = { Dataset.ofRows(self, LogicalRelation(baseRelation))
 }

Dataset.ofRows 方法主要是将逻辑计划转换成物理计划，然后生成新的 Dataset。

2、执行

SparkSession 的执行关键是如何从 LogicalPlan 生成物理计划。我们试试跟踪这部分逻辑。

def count(): Long = withAction( count , groupBy().count().queryExecution) {plan =

plan.executeCollect().head.getLong(0)

}

Dataset 的 count() 动作触发物理计划的执行，调用物理计划 plan 的 executeCollect 方法，该方法实际上会调用 doExecute() 方法生成 Array[InternalRow] 格式。executeCollect 方法在 SparkPlan 中定义。

3、HadoopFsRelation

需要跟踪下如何从 HadoopFsRelation 生成物理计划（也就是 SparkPlan）

通过 FileSourceStrategy 来解析。它在 FileSourceScanExec 上叠加 Filter 和 Projection 等操作，看看 FileSourceScanExec 的定义：

case class FileSourceScanExec(
 @transient relation: HadoopFsRelation,
 output: Seq[Attribute],
 requiredSchema: StructType,
 partitionFilters: Seq[Expression],
 dataFilters: Seq[Expression],
 override val metastoreTableIdentifier: Option[TableIdentifier])
 extends DataSourceScanExec with ColumnarBatchScan {}

它的主要执行代码 doExecute() 的功能逻辑如下：

protected override def doExecute(): RDD[InternalRow] = { if (supportsBatch) {
 // in the case of fallback, this batched scan should never fail because of:
 // 1) only primitive types are supported
 // 2) the number of columns should be smaller than spark.sql.codegen.maxFields
 WholeStageCodegenExec(this).execute()
 } else {
 val unsafeRows = {
 val scan = inputRDD
 if (needsUnsafeRowConversion) { scan.mapPartitionsWithIndexInternal { (index, iter) = 
 val proj = UnsafeProjection.create(schema)
 proj.initialize(index)
 iter.map(proj)
 }
 } else {
 scan
 }
 }
 val numOutputRows = longMetric(numOutputRows)
 unsafeRows.map { r = 
 numOutputRows += 1
 r
 }
 }
 }

inputRDD 有两种方式创建，一是 createBucketedReadRDD，二是 createNonBucketedReadRDD。两者没有本质的区别，仅仅是文件分区规则的不同。

private lazy val inputRDD: RDD[InternalRow] = { val readFile: (PartitionedFile) =  Iterator[InternalRow] =
 relation.fileFormat.buildReaderWithPartitionValues(
 sparkSession = relation.sparkSession,
 dataSchema = relation.dataSchema,
 partitionSchema = relation.partitionSchema,
 requiredSchema = requiredSchema,
 filters = pushedDownFilters,
 options = relation.options,
 hadoopConf = relation.sparkSession.sessionState.newHadoopConfWithOptions(relation.options))

 case Some(bucketing) if relation.sparkSession.sessionState.conf.bucketingEnabled = 
 createBucketedReadRDD(bucketing, readFile, selectedPartitions, relation)
 case _ = 
 createNonBucketedReadRDD(readFile, selectedPartitions, relation)
 }
 }
createNonBucketedReadRDD 调用 FileScanRDD ：new FileScanRDD(fsRelation.sparkSession, readFile, partitions)

以上是“结构化处理之 Spark Session 的示例分析”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注丸趣 TV 行业资讯频道！

正文完