问题描述


在开发过程中使用spark去读取hive分区表的过程中(或者使用hive on spark、nodepad开发工具),部分开发人员未注意添加分区属性过滤导致在执行过程中加载了全量数据,引起任务执行效率低、磁盘IO大量损耗等问题。


解决办法


1、自定义规则CheckPartitionTable类,实现Rule,通过以下方式创建SparkSession。



type ExtensionsBuilder = SparkSessionExtensions => Unit//在Optimizer中追加CheckPartitionTable规则执行器    val extBuilder: ExtensionsBuilder = { e => e.injectOptimizerRule(CheckPartitionTable) }    val conf = new SparkConf()        .setMaster("local[*]")        .set("spark.table.check.partition", "true")        .set("spark.table.check.partition.num","30")        .setAppName("SQL")    val spark = SparkSession        .builder()        .config(conf)        .withExtensions(extBuilder)        .enableHiveSupport()        .getOrCreate()


2、自定义规则CheckPartitionTable类,实现Rule,将规则类追加至Optimizer.batches: Seq[Batch]中,如下。


滴滴金融海轩——源码级解读如何解决Spark-sql读取hive分区表执行效率低问题_java


规则内容实现


1、CheckPartitionTable规则执行类,需要通过引入sparkSession从而获取到引入conf;需要继承Rule[LogicalPlan];



case class CheckPartitionTable(sparkSession: SparkSession)  extends Rule[LogicalPlan] with PredicateHelper {  // 是否检查分区,配置  val check_partition = "spark.table.check.partition"  // 检查分区,限制分区读取数量,配置  val check_num_partition = "spark.table.check.partition.num"  val conf = sparkSession.conf


2、通过splitPredicates方法,分离分区谓词,得到分区谓词表达式。在sql解析过程中将谓词解析为TreeNode,此处采用递归的方式获取分区谓词。



def splitPredicates(condition: Expression,partitionSet :AttributeSet): Seq[Expression] = {    condition match {       //匹配and表达式,并筛选and表达式中的分区表达式       case And(cond1, cond2) =>          splitPredicates(cond1,partitionSet) ++ splitPredicates(cond2,partitionSet)       //匹配or表达式,并筛选or表达式中的分区表达式       case Or(cond1, cond2)=>          val leftSeq = splitPredicates(cond1,partitionSet)                                                              val rightSeq = splitPredicates(cond2,partitionSet)                  if(leftSeq.nonEmpty && rightSeq.nonEmpty)                      Or(leftSeq.reduceLeft(And),rightSeq.reduceLeft(And)) :: Nil                  else Nil              case other  => if (other.references.subsetOf(partitionSet)) other :: Nil else Nil           }       }


3、判断是否是分区表,且是否添加分区字段。



def isPartitionTable(filter: Filter,numPartition:Int): Boolean = {      var boolean = false      filter.child match {          // 匹配logicalRelation          case logicalRelation@LogicalRelation(fsRelation@HadoopFsRelation(location: CatalogFileIndex,          partitionSchema: StructType, _, _, _, _), _, catalogTable) =>              val table = catalogTable.get              // 判断读取表是否存在分区column              if (table.partitionColumnNames.nonEmpty) {                  val sparkSession = fsRelation.sparkSession                  // 获取表的分区column的Attribute                  val partitionColumns =                      logicalRelation.resolve(                          partitionSchema, sparkSession.sessionState.analyzer.resolver)                  log.info("partitionColumns : " + partitionColumns)                  val partitionSet = AttributeSet(partitionColumns)                 //获取分区Filter表达式                  val partitionKeyFilters = splitPredicates(filter.condition,partitionSet)                  var partition_size = -1L                  if (partitionKeyFilters.nonEmpty) {                      log.info("partitionKeyFiltersExpression:" + partitionKeyFilters)                     //在hdfs上获取分区path                      val prunedFileIndex = location.filterPartitions(partitionKeyFilters)                      val partitions = prunedFileIndex.partitionSpec().partitions                      partition_size = partitions.size                      log.info("partitions : " + partitions)                  }                  boolean = partitionKeyFilters.isEmpty || partition_size > numPartition              }          //匹配 CatalogRelation          case catalogRelation:CatalogRelation =>              val partitionSet = AttributeSet(catalogRelation.partitionCols)              val partitionKeyFilters = splitPredicates(filter.condition,partitionSet)              // 判断是否存在分区属性              boolean = partitionKeyFilters.forall(_.references.subsetOf(partitionSet))          case _ => log.warn("未获取到表信息")      }      boolean  }

4、实现Rule的apply方法



def apply(plan: LogicalPlan): LogicalPlan =      if (!conf.get(check_partition, "true").toBoolean) {          log.warn(s"Is not enabled $check_partition")          plan      }   else plan transform {          case j@Filter(condition: Expression, child: LogicalPlan)            if isPartitionTable(j,conf.get(check_num_partition,s"${Int.MaxValue}").toInt) =>            throw new Exception(                s"""        ${condition.sql} ${child.treeString} No partition information is added to the partition table      """.stripMargin)   }