1.Calcite介绍

(1)简介
  • Apache Calcite 是面向 Hadoop 新的查询引擎，它提供了标准的 SQL 语言、多种查询优化和连接各种数据源的能力。
  • Calcite 的目标是“ one size fits all （一种方案适应所有需求场景）”， 希望能为不同计算平台和数据源提供统一的查询引擎，并以类似传统数据库的访问方式（SQL 和高级查询优化）来访问Hadoop 上的数据。
  • Calcite 之前的名称叫做 optiq ，optiq 起初在 Hive 项目中，为 Hive 提供基于成本模型的优化，即 CBO（Cost Based Optimizatio）。2014 年 5 月 optiq 独立出来，成为 Apache 社区的孵化项目，2014 年 9 月正式更名为 Calcite。
(2)技术特性
  • 支持标准 SQL 语言；
  • 独立于编程语言和数据源， 可以支持不同的前端和后端（后面再补充解释）；
  • 支持 关系代数、可定制的逻辑规划规则和基于成本模型优化的查询引擎；
  • 支持物化视图（ materialized view）的管理（创建、丢弃、持久化和自动识别）
  • 个人理解：flexible, embeddable, and extensible（灵活性、组件可插拔、可扩展）。它的 SQL Parser 层、Optimizer 层等都可以单独使用。

2.关系代数

  • 关系代数是关系型数据库操作的理论基础，关系代数支持 并、差、笛卡尔积、投影和选择等基本运算。
  • 关系代数也是 Calcite 的核心， 任何一个查询都可以表示成由关系运算符组成的树。 在 Calcite 中，它会先将 SQL 转换成关系表达式（relational expression），然后通过规则匹配（rules match）进行相应的优化，优化会有一个成本（cost）模型为参考。
   

3.Calcite架构

  • calcite架构与传统数据库管理系统有一些相似之处，相比而言， 它将数据存储、数据处理算法和元数据存储这些部分忽略掉了。
  • 好处是：对于涉及多种数据源和多种计算引擎的应用而言，Calcite 因为可以兼容多种存储和计算引擎，使得 Calcite 可以提供统一查询服务。
  • Calcite 架构中，最核心地方就是 Optimizer，也就是优化器，一个 Optimization Engine 包含三个组成部分
    • Rules：也就是 匹配规则，Calcite 内置上百种 Rules 来优化 relational expression，当然也支持自定义 rules；
    • metadata providers：主要是向优化器提供信息，这些信息会有助于指导优化器向着目标（减少整体 cost）进行优化， 信息可以包括行数、table 哪一列是唯一列等，也包括计算 RelNode 树中执行 subexpression cost 的函数。
    • planner engines：它的主要目标是进行触发 rules 来达到指定目标，比如像 cost-based optimizer（CBO）的目标是减少cost （Cost 包括处理的数据行数、CPU cost、IO cost 等）

4.Calcite核心概念

  • RelOptRule：根据传递给它的 RelOptRuleOperand 来对目标 RelNode 树进行 规则匹配，匹配成功后，会再次调用 matches() 方法进行进一步检查。如果 mathes结果为真，则调用 onMatch() 进行转换。
  • ConverterRule：它是 RelOptRule 的子类，专门用来做 数据源之间的转换（Calling convention），ConverterRule 一般会调用对应的 Converter 来完成工作，比如说：JdbcToSparkConverterRule 调用 JdbcToSparkConverter 来完成对 JDBC Table 到 Spark RDD 的转换。
  • RelNode：relational expression，which contains input RelNode。代表了对数据的一个处理操作，常见的操作有 Sort、Join、Project、Filter、Scan 等。它蕴含的是对整个 Relation 的操作，而不是对具体数据的处理逻辑。
  • Converter： 用来把一种 RelTrait 转换为另一种 RelTrait 的 RelNode。如 JdbcToSparkConverter 可以把 JDBC 里的 table 转换为 Spark RDD。如果需要在一个 RelNode 中处理来源于异构系统的逻辑表，Calcite 要求先用 Converter 把异构系统的逻辑表转换为同一种 Convention。
  • RexNode： 行表达式（标量表达式），蕴含的是对一行数据的处理逻辑。每个行表达式都有数据的类型。这是因为在 Valdiation 的过程中，编译器会推导出表达式的结果类型。常见的行表达式包括字面量 RexLiteral， 变量 RexVariable， 函数或操作符调用 RexCall 等。 RexNode 通过 RexBuilder 进行构建。
  • RelTrait： 用来定义逻辑表的物理相关属性（physical property），三种主要的 trait 类型是：Convention、RelCollation、RelDistribution；
  • Convention：继承自 RelTrait，类型很少，代表一个单一的数据源，一个 relational expression 必须在同一个 convention 中；
  • RelTraitDef：主要有三种： ConventionTraitDef：用来代表数据源。 RelCollationTraitDef：用来定义参与排序的字段。 RelDistributionTraitDef：用来定义数据在物理存储上的分布方式（比如：single、hash、range、random 等）；
  • RelOptCluster： palnner 运行时的环境，保存上下文信息；
  • RelOptPlanner：也就是 优化器，Calcite 支持 RBO（Rule-Based Optimizer） 和 CBO（Cost-Based Optimizer）。Calcite 的 RBO （HepPlanner）称为 启发式优化器（heuristic implementation ）， 它简单地按 AST 树结构匹配所有已知规则，直到没有规则能够匹配为止；Calcite 的 CBO 称为 火山式优化器（VolcanoPlanner）成本优化器也会匹配并应用规则，当整棵树的成本降低趋于稳定后，优化完成，成本优化器依赖于比较准确的成本估算。RelOptCost 和 Statistic 与成本估算相关；
  • RelOptCost： 优化器成本模型会依赖。

5.Calcite处理SQL流程

    sql执行流程（目前看来基本上所有SQL编译器 都是相似流程，只是细节不同）：
  • 解析 SQL： 把 SQL 转换成为 AST （抽象语法树），在 Calcite 中用 SqlNode 来表示；
  • 语法检查： 根据数据库的元数据信息进行语法验证，验证之后还是用 SqlNode 表示 AST 语法树 (标准化修改：比如只写join会变成inner join)；
  • 语义分析：根据 SqlNode 及元信息构建 RelNode 树，也就是 最初版本的逻辑计划（Logical Plan）；
  • 逻辑计划优化：优化器的核心， 根据前面生成的逻辑计划按照相应的规则（Rule）进行优化(逻辑计划调整)；
  • 物理执行：生成物理计划，物理执行计划执行 (具体执行计划就要看存储引擎如何设计，比较Mysql有Innodb，Hive默认使用HDFS存储)。
（1）Step1: SQL 解析阶段（SQL–>SqlNode）
  • Calcite 进行 Sql 解析的代码如下：
    • SqlParser parser = SqlParser.create(sql, SqlParser.Config.DEFAULT);
    • SqlNode sqlNode = parser.parseStmt();
  • Calcite 使用 JavaCC( Java Compiler Compiler ) 做 SQL 解析，JavaCC 根据 Calcite 中定义的 Parser.jj 文件，生成一系列的 java 代码，生成的 Java 代码会把 SQL 转换成 AST 的数据结构（ 这里是 SqlNode 类型）。
  • 与 Javacc 相似的工具还有 ANTLR，JavaCC 中的 jj 文件也跟 ANTLR 中的 G4文件类似，Apache Spark（Inceptor）中使用这个工具做类似的事情。
  • Javacc实现了一个 SQL Parser，它的功能有以下两个（ 这里都是需要在 jj 文件中定义的）：
    • 设计 词法和语义，定义 SQL 中具体的元素；
    • 实现 词法分析器（Lexer）和语法分析器（Parser），完成对 SQL 的解析，完成相应的转换。
  【SQL案例】
        
    解析sqlNode结果：
（2）Step2: SQL 验证阶段（SqlNode–>SqlNode）
  • 经过上一步，会生成一个 SqlNode 对象，它是一个未经验证的抽象语法树，下面就进入了一个语法检查阶段， 语法检查前需要知道元数据信息，这个检查会包括 表名、字段名、函数名、数据类型的检查。
    
  • Calcite 本身是不管理和存储元数据的，在检查之前， 需要先把元信息注册到 Calcite 中，一般的操作方法是实现 SchemaFactory， 由它去创建相应的 Schema，在 Schema 中可以注册相应的元数据信息。
    
  • SqlValidatorImpl 检查过程
    1. rewrite expression， 将其标准化，便于后面的逻辑计划优化；
    2. 注册这个 relational expression 的 scopes 和 namespaces （这两个对象代表了其元信息）；
    3. 进行相应的验证，这里会依赖第二步注册的 scopes 和 namespaces 信息。
    
（3）Step3: SQL 语义分析阶段（ SqlNode –>RelNode/RexNode）
  • 主要步骤：
  1. 初始化 RexBuilder；
  2. 初始化 RelOptPlanner;
  3. 初始化 RelOptCluster；
  4. 初始化 SqlToRelConverter；
  5. 进行转换；
    
  • 转换部分
    • SqlToRelConverter 中的 convertQuery() 将 SqlNode 转换为 RelRoot
    • 真正实现部分：convertQueryRecursive
    

    
（4）Step4: 优化阶段（ RelNode –>RelNode）
  • 提供了两种 planner：HepPlanner 和 VolcanoPlanner
  • HepPlanner：
    • HepPlanner is a heuristic optimizer similar to Spark’s optimizer： 与 spark 的优化器相似，HepPlanner 是一个 heuristic 优化器；
    • Applies all matching rules until none can be applied： 将会匹配所有的 rules 直到某个 rule 被满足；
    • Heuristic optimization is faster than cost- based optimization：它比 CBO 更快；
    • Risk of infinite recursion if rules make opposing changes to the plan： 如果没有每次都不匹配规则，可能会有无限递归风险；
  • VolcanoPlanner：
    • VolcanoPlanner is a cost-based optimizer：VolcanoPlanner是一个CBO优化器；
    • Applies matching rules iteratively, selecting the plan with the cheapest cost on each iteration： 迭代地应用 rules，直到找到cost最小的plan；
    • Costs are provided by relational expressions；
    • Not all possible plans can be computed： 不会计算所有可能的计划(如何判断？有时间再补充...)；
    • Stops optimization when the cost does not significantly improve through a determinable number of iterations：根据已知的情况， 如果下面的迭代不能带来提升时，这些计划将会停止优化（类似与机器学习中损失函数，只不过early_stop为1个epoch）；
  • 简单的优化 （过滤条件下压，也称为谓词下推）
    • 关于filter 操作下压，在 Calcite 中已经有相应的 Rule 实现，就是 FilterJoinRule.FilterIntoJoinRule.FILTER_ON_JOIN

    • 这里使用 HepPlanner 作为示例的 planer，并注册 FilterIntoJoinRule 规则进行相应的优化（这里可以看到where u.age>10 and j.id>0被下推到扫表操作上面，也就是说SQL引擎扫描一遍表时如果发现表中某行满足过滤条件则拿取出来，否则跳过）

      参考资料

      https://www.cnblogs.com/wcgstudy/p/11795886.html
      https://www.infoq.cn/article/new-big-data-hadoop-query-engine-apache-calcite
      https://www.jianshu.com/p/2dfbd71b7f0f
      https://www.slideshare.net/JordanHalterman/introduction-to-apache-calcite
       
        
        
# hadoop # sql # spark # 数据库
Logo
华为云开发者联盟

为开发者提供学习成长、分享交流、生态实践、资源工具等服务，帮助开发者快速成长。

更多推荐

cover

数仓安全：数据脱敏技术深度解析

avatar 华为云开发者联盟
cover

带你了解GaussDB SQL中的BOOLEAN表达式

avatar 华为云开发者联盟
cover

详解Python 中可视化数据分析工作流程

avatar 华为云开发者联盟