【原創】大叔經驗分享(15)spark sql limit實現原理


之前討論過hive中limit的實現,詳見 https://www.cnblogs.com/barneywill/p/10109217.html
下面看spark sql中limit的實現,首先看執行計划:

spark-sql> explain select * from test1 limit 10;
== Physical Plan ==
CollectLimit 10
+- HiveTableScan [id#35], MetastoreRelation temp, test1
Time taken: 0.201 seconds, Fetched 1 row(s)

limit對應的CollectLimit,對應的實現類是

org.apache.spark.sql.execution.CollectLimitExec

case class CollectLimitExec(limit: Int, child: SparkPlan) extends UnaryExecNode {
...
  protected override def doExecute(): RDD[InternalRow] = {
    val locallyLimited = child.execute().mapPartitionsInternal(_.take(limit))
    val shuffled = new ShuffledRowRDD(
      ShuffleExchange.prepareShuffleDependency(
        locallyLimited, child.output, SinglePartition, serializer))
    shuffled.mapPartitionsInternal(_.take(limit))
  }

可見實現非常簡單,首先調用SparkPlan.execute得到結果的RDD,然后從每個partition中取前limit個row得到一個新的RDD,然后再將這個新的RDD變成一個分區,然后再取前limit個,這樣就得到最終的結果。

 


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM