图书《数据资产管理核心技术与应用》核心章节节选-3.1.2. 从Spark 执行计划中获取数据血缘-数字星空

本文节选自清华大学出版社出版的图书《数据资产管理核心技术与应用》，作者为张永清等著。

从Spark 执行计划中获取数据血缘

因为数据处理任务会涉及到数据的转换和处理，所以从数据任务中解析血缘也是获取数据血缘的渠道之一，Spark 是大数据中数据处理最常用的一个技术组件，既可以做实时任务的处理，也可以做离线任务的处理。Spark在执行每一条SQL语句的时候，都会生成一个执行计划，这一点和很多数据库的做法很类似，都是SQL语句在执行时，先生成执行计划。如下图3-1-10所示，在Spark的官方文档链接https://spark.apache.org/docs/latest/sql-ref-syntax-qry-explain.html#content中，有明确提到，可以根据EXPLAIN关键字来获取执行计划，这和很多数据库查看执行计划的方式很类似。

图3-1-10

Spark底层生成执行计划以及处理执行计划的过程如下图3-1-11所示。本文节选自清华大学出版社出版的图书《数据资产管理核心技术与应用》，作者为张永清等著。

图3-1-11

从图中可以看到，

1、执行SQL语句或者Data Frame时，会先生成一个Unresolved Logical Plan，就是没有做过任何处理和分析的逻辑执行计划，仅仅会从SQL语法的角度做一些基础性的校验。

2、之后通过获取Catalog的数据，对需要执行的SQL语句做表名、列名的进一步分析校验，从而生成一个可以直接运行的逻辑执行计划。

3、但是Spark底层会有个优化器来生成一个最优的执行操作方式，从而生成一个优化后的最佳逻辑执行计划。

4、将最终确定下来的逻辑执行计划转换为物理执行计划，转换为最终的代码进行执行。

Spark的执行计划其实就是数据处理的过程计划，会将SQL语句或者DataFrame 做解析，并且结合Catalog一起，生成最终数据转换和处理的代码。所以可以从Spark的执行计划中，获取到数据的转换逻辑，从而解析到数据的血缘。但是spark的执行计划都是在spark底层内部自动处理的，如何获取到每次Spark任务的执行计划的信息呢？其实在Spark底层有一套Listener的架构设计，可以通过Spark Listener 来获取到spark 底层很多执行的数据信息。

在spark的源码中，以Scala的形式提供了一个org.apache.spark.sql.util.QueryExecutionListener trait （类似Java 语言的接口），来作为Spark SQL等任务执行的监听器。在org.apache.spark.sql.util.QueryExecutionListener 中提供了如下表3-1-2所示的两个方法。

表3-1-2

方法名	描述
def onSuccess(funcName: String, qe: QueryExecution, durationNs: Long): Unit	执行成功时，调用的方法，其中包括了执行计划参数，这里的执行计划可以是逻辑计划或者物理计划
def onFailure(funcName: String, qe: QueryExecution, exception: Exception): Unit	执行失败时，调用的方法，其中同样也包括了执行计划参数，这里的执行计划可以是逻辑计划或者物理计划

因此可以借用QueryExecutionListener 来主动让Spark在执行任务时，将执行计划信息推送到自己的系统或者数据库中，然后再做进一步的解析，如下图3-1-12所示。本文节选自清华大学出版社出版的图书《数据资产管理核心技术与应用》，作者为张永清等著。

图3-1-12

import org.apache.spark.internal.Logging
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.execution.QueryExecution
import org.apache.spark.sql.util.QueryExecutionListener
case class PlanExecutionListener(sparkSession: SparkSession) extends QueryExecutionListener with Logging{

  override def onSuccess(funcName: String, qe: QueryExecution, durationNs: Long): Unit = withErrorHandling(qe) {
    // 执行成功时，调用解析执行计划的方法
    planParser(qe)
  }

  override def onFailure(funcName: String, qe: QueryExecution, exception: Exception): Unit = withErrorHandling(qe) {

  }

  private def withErrorHandling(qe: QueryExecution)(body: => Unit): Unit = {
    try
      body
    catch {
      case NonFatal(e) =>
        val ctx = qe.sparkSession.sparkContext
        logError(s"Unexpected error occurred during lineage processing for application: ${ctx.appName} #${ctx.applicationId}", e)
    }
  }


  def planParser(qe: QueryExecution): Unit = {
    logInfo("----------- start to get spark  analyzed LogicPlan--------")
      //解析执行计划，并且将执行计划的数据发送到自有的系统或者数据库中
      ......
  }
}

上面的代码中，实现了QueryExecutionListener 这个trait中的onSuccess和onFailure这两个方法，只有在onSuccess时，才需要获取执行计划的数据，因为只有onSuccess时的血缘才是有效的。

实现好了自定义的QueryExecutionListener后，可以通过sparkSession.listenerManager.register来将自己实现的PlanExecutionListener 注册到Spark会话中，listenerManager是Spark中Listener的管理器。

在获取到执行计划时，需要再结合Catalog一起，来进一步解析血缘的数据，如下图3-1-13所示

图3-1-13

Spark 中常见的执行计划实现类如下表3-1-3所示，获取数据血缘时，就是需要从如下的这些执行计划中解析血缘关系。本文节选自清华大学出版社出版的图书《数据资产管理核心技术与应用》，作者为张永清等著。

表3-1-3

执行计划实现类	描述
org.apache.spark.sql.execution.datasources.LogicalRelation	一般用于解析字段级的关联关系
org.apache.spark.sql.catalyst.catalog.HiveTableRelation	Hive 表关联关系的执行计划，一般用于SQL执行时，存在关联查询的情况会出现该执行计划。
org.apache.spark.sql.hive.execution.InsertIntoHiveTable	一般是在执行insert into 的SQL 语句时才会产生的执行计划，例如insert into xxx_table(colum1,column2) values("4","zhangsan")
org.apache.spark.sql.execution.datasources .InsertIntoHadoopFsRelationCommand	一般用于执行类似 sparkSession .read .table("xx_source_table ") .limit(10) .write .mode(SaveMode.Append) .insertInto("xx_target_table ")产生的执行计划。
org.apache.spark.sql.hive.execution. CreateHiveTableAsSelectCommand	一般是在执行create table xxx_table as的SQL 语句时才会产生的执行计划，例如create table xx_target_table as select * from xx_source_table
org.apache.spark.sql.execution.command .CreateDataSourceTableAsSelectCommand	一般用于执行类似sparkSession .read .table("xx_source_table") .limit(10) .write .mode(SaveMode.Append) .saveAsTable("xx_target_table")产生的执行计划。
org.apache.spark.sql.execution.datasources .InsertIntoDataSourceCommand	一般用于将SQL查询结果写入到一张表中，比如insert into xxx_target_table select * from xxx_source_table

如下是以org.apache.spark.sql.execution.datasources

.InsertIntoHadoopFsRelationCommand 为例的spark 执行计划的数据，如下数据已经将原始的执行计划转换为了json格式的数据，方便做展示。

.................更多内容，请参考清华大学出版社出版的图书《数据资产管理核心技术与应用》，作者为张永清等著