添加链接
link管理
链接快照平台
  • 输入网页链接,自动生成快照
  • 标签化管理网页链接

Spark Catalyst 源码解析:Parser

上一篇文章 中,我们了解了 SparkSQL 查询的基本执行过程,并了解到 SQLContext 的内部类 QueryExecution 包含了整个执行过程的每一个执行步骤。

在这篇文章中,我将开始讲解 SQL 语句如何通过 Parser 转变为 Unresolved Logical Plan。

DDLParser

我们回到 SQLContext#parseSql 方法:

1
2
3
4
5
6
7
@transient
protected[sql] val ddlParser = new DDLParser(sqlParser.parse(_))

@transient
protected[sql] val sqlParser = new SparkSQLParser(getSQLDialect().parse(_))

protected[sql] def parseSql(sql: String): LogicalPlan = ddlParser.parse(sql, false)

可以看到, parseSql 方法调用了 ddlParser parse 方法。 ddlParser 在初始化时传入了 sqlParser.parse 方法作为参数,而 sqlParser 在初始化时也传入了一个 SQL 方言的 parse 方法作为参数。这三个 parse 之间很有可能是一个 fallback 的关系。那我们先来看看 DDLParser

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
/**
* A parser for foreign DDL commands.
*/
private[sql] class DDLParser(parseQuery: String => LogicalPlan)
extends AbstractSparkSQLParser with DataTypeParser with Logging {

def parse(input: String, exceptionOnError: Boolean): LogicalPlan = {
try {
// 先尝试用 AbstractSparkSQLParser#parse 进行解析
parse(input)
} catch {
case ddlException: DDLException => throw ddlException

// 解析失败则使用传入的解析函数 parseQuery 进行解析
case _ if !exceptionOnError => parseQuery(input)
case x: Throwable => throw x
}
}

// ...
}

先不急着往下看,因为这里调用了 AbstractSparkSQLParser parse 方法。我们先看看 AbstractSparkSQLParser

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
private[sql] abstract class AbstractSparkSQLParser
extends StandardTokenParsers with PackratParsers {

def parse(input: String): LogicalPlan = {
// 将 Keyword 们作为保留字放入到 lexical 变量中
initLexical
// 开始解释传入的字符串
phrase(start)(new lexical.Scanner(input)) match {
case Success(plan, _) => plan
case failureOrError => sys.error(failureOrError.toString)
}
}
/* One time initialization of lexical.This avoid reinitialization of lexical in parse method */
protected lazy val initLexical: Unit = lexical.initialize(reservedWords)

protected case class Keyword(str: String) {
def normalize: String = lexical.normalizeKeyword(str)
def parser: Parser[String] = normalize
}

protected implicit def asParser(k: Keyword): Parser[String] = k.parser

// 通过反射机制将类的所有返回 Keyword 类型的函数结果注册为保留字(reserved word)
protected lazy val reservedWords: Seq[String] =
this.getClass
.getMethods
.filter(_.getReturnType == classOf[Keyword])
.map(_.invoke(this).asInstanceOf[Keyword].normalize)

// Set the keywords as empty by default, will change that later.
// SQL 词素
override val lexical = new SqlLexical

protected def start: Parser[LogicalPlan]

// Returns the whole input string
protected lazy val wholeInput: Parser[String] = new Parser[String] {
def apply(in: Input): ParseResult[String] =
Success(in.source.toString, in.drop(in.source.length()))
}

// Returns the rest of the input string that are not parsed yet
protected lazy val restInput: Parser[String] = new Parser[String] {
def apply(in: Input): ParseResult[String] =
Success(
in.source.subSequence(in.offset, in.source.length()).toString,
in.drop(in.source.length()))
}
}

我们看到,真正启动 parse 过程的实际上是如下代码块:

1
2
3
4
phrase(start)(new lexical.Scanner(input)) match {
case Success(plan, _) => plan
case failureOrError => sys.error(failureOrError.toString)
}

这里调用的 phrase 方法实际上来自于 AbstractSparkSQLParser 的父类 PackratParsers PackratParsers StandardTokenParsers 实际上都是 Scala 自带的类。它们的功能较为复杂,而且 SparkSQL 本身的作用原理关系并不是很大,我在这里就简单讲述一下。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
// PackratParsers.scala

/**
* A parser generator delimiting whole phrases (i.e. programs).
*
* Overridden to make sure any input passed to the argument parser
* is wrapped in a `PackratReader`.
*/
override def phrase[T](p: Parser[T]) = {
val q = super.phrase(p)
new PackratParser[T] {
def apply(in: Input) = in match {
case in: PackratReader[_] => q(in)
case in => q(new PackratReader(in))
}
}
}

可以看到, PackratParsers#phrase 方法接受一个 Parser 作为参数,并以其为参数调用了其父类 Parsers phrase 方法,该方法同样返回一个 Parser 。而后, PackratParsers#phrase 返回了一个 PackratParser ,由 AbstractSparkSQLParser 调用这个对象的 apply 方法传入 SQL 语句。

我们回到 DDLParser

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
private[sql] class DDLParser(parseQuery: String => LogicalPlan)
extends AbstractSparkSQLParser with DataTypeParser with Logging {

def parse(input: String, exceptionOnError: Boolean): LogicalPlan = {
// ...
}

// 这些 keyword 会在 initLexical 时被加载
protected val CREATE = Keyword("CREATE")
protected val TEMPORARY = Keyword("TEMPORARY")
protected val TABLE = Keyword("TABLE")
protected val IF = Keyword("IF")
protected val NOT = Keyword("NOT")
protected val EXISTS = Keyword("EXISTS")
protected val USING = Keyword("USING")
protected val OPTIONS = Keyword("OPTIONS")
protected val DESCRIBE = Keyword("DESCRIBE")
protected val EXTENDED = Keyword("EXTENDED")
protected val AS = Keyword("AS")
protected val COMMENT = Keyword("COMMENT")
protected val REFRESH = Keyword("REFRESH")

protected lazy val ddl: Parser[LogicalPlan] = createTable | describeTable | refreshTable

protected def start: Parser[LogicalPlan] = ddl

// ...

}

在接下来的代码中, AbstractSparkSQLParser 实现了三个 parser: createTable describeTable refreshTable ,并将其重载为 AbstractSparkSQLParser#start 变量,由此 DDLParser 改变了 AbstractSparkSQLParser#start 的功能。

上述的这些 Keyword 全都是 Spark 所支持的 DLL keyword,没有包含 SQL 的保留字。不难想象 DDLParser 仅用于解析 DDL 语句,当遇到 SQL 语句时,解析器将 fallback 到实例化 DDLTask 时传入的 parseQuery 函数,而这个函数正是 SparkSQLParser#parse 函数。