使用Spark Catalyst逻辑计划修改查询

Question

是否可以使用扩展点在DataFrame API / SQL中添加/替换现有列表达式。

例如：假设我们注入了可以从计划中检查项目节点并检查列“名称”的解析规则，例如将其替换为upper（name）。

是否可以使用扩展点。我发现的例子大多是简单的，不会以我需要的方式操纵输入表达式。

如果可能，请告诉我。

Answer 1

是的，这是可能的。

让我们举个例子。假设我们要编写一个检查Project运算符的规则，如果项目是针对某个特定列（比如'column2'），那么它将它乘以2。

import org.apache.spark.sql.catalyst.plans.logical._
import org.apache.spark.sql.catalyst.rules.Rule
import org.apache.spark.sql.catalyst.expressions._
import org.apache.spark.sql.catalyst.plans._
import org.apache.spark.sql.Column
import org.apache.spark.sql.types._

object DoubleColumn2OptimizationRule extends Rule[LogicalPlan] {
    def apply(plan: LogicalPlan): LogicalPlan = plan transform {
        case p: Project =>
          if (p.projectList.filter(_.name == "column2").size >= 1) {
              val newList = p.projectList.map { case x =>
                if (x.name == "column2") {
                  Alias(Multiply(Literal(2, IntegerType), x), "column2_doubled")()
                } else {
                  x
                }
              }
              p.copy(projectList = newList)
          } else {
              p
          }
    }
}

假设我们有一个表“table1”，它有两列 - column1，column2。

没有这个规则 -

> spark.sql("select column2 from table1 limit 10").collect()
Array([1], [2], [3], [4], [5], [6], [7], [8], [9], [10])

有这个规则 -

> spark.experimental.extraOptimizations =  Seq(DoubleColumn2OptimizationRule)
> spark.sql("select column2 from table1 limit 10").collect()
Array([2], [4], [6], [8], [10], [12], [14], [16], [18], [20])

您也可以在DataFrame上调用explain来检查计划 -

> spark.sql("select column2 from table1 limit 10").explain
== Physical Plan ==
CollectLimit 10
+- *(1) LocalLimit 10
   +- *(1) Project [(2 * column2#213) AS column2_doubled#214]
      +- HiveTableScan [column2#213], HiveTableRelation `default`.`table1`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [column1#212, column2#213]