Pig源码分析: 逻辑执行计划模块
Whole View
Architecture
关键类/接口关系图
下面对关键类/接口具体实现做分析
Operator
public abstract class Operator { protected SourceLocation location; // The location of the operator in the original pig script. protected String name; protected OperatorPlan plan; // plan that contains this operator protected Map<String, Object> annotations; protected final int hashPrime = 31;
Operator的变量:
对name和plan提供get函数,构造函数传入name和plan。
对annotations提供get,annote,remove方法,来得到、添加、移除注释。
对locaiton提供get和set函数,且构造函数new SourceLocation()。
Operstor抽象方法:
主要方法为accept(PlanVisitor v),在PlanWalker里常用到。
还提供一个isEqual方法。
继承结构

主要看两类实现 LogicalExpression和LogicalRelationalOperator
LogicalExpression
public abstract class LogicalExpression extends Operator { static long nextUid = 1; protected LogicalSchema.LogicalFieldSchema fieldSchema; protected LogicalSchema.LogicalFieldSchema uidOnlyFieldSchema;
deepCopy()方法需要子类实现
继承结构:

子类实现略
LogicalRelationalOperator
LogicalRelationalOperator代表关系型操作,关系型操作有Schema。以下是主要变量,LogicalRelationalOperator为他们提供了一些get/set方法。
abstract public class LogicalRelationalOperator extends Operator { protected LogicalSchema schema; protected int requestedParallelism; protected String alias; protected int lineNum; /** * Name of the customPartitioner if one is used, this is set to null otherwise. */ protected String mCustomPartitioner = null; /** * A HashSet to indicate whether an option (such a Join Type) was pinned * by the user or can be chosen at runtime by the optimizer. */ protected HashSet<Integer> mPinnedOptions = new HashSet<Integer>();
关于LogicalSchema类:
内部类LogicalFieldSchema具体表示每一个field的结构,可以看到与LogicalSchema是嵌套的。LogicalSchema维护一个List<LogicalFieldSchema>
public static class LogicalFieldSchema { public String alias; public byte type; public long uid; public LogicalSchema schema;
提供基本方法如下:

继承结构:

子类实现略。
OperatorPlan
OperatorPlan是一个接口,定义了对Operator的图操作(Graph Operations)。
罗列了所有方法之后发现,Operator类虽然没有结构,只是一个普通的VO类。但是OperatorPlan这个接口定义的以下这套图操作,使Operstor与Operator组成了一个Graph。

实现结构:
下面展开分析。
OperatorSubPlan
OperatorSubPlan代表的是一个OperatorPlan的一个子集的视图,OperatorSubPlan只有一个实现,使用在Rule的match过程里。所以OperatorSubPlan的作用就是提供一个子Plan,用于匹配操作。
BaseOperatorPlan
BaseOperatorPlan实现了OperatorPlan接口,具体实现了各个图操作方法,把Operator之间的关系(包括softLink关系)用PlanEdge表示,图操作方法都借助PlanEdge类表达和实现。
public abstract class BaseOperatorPlan implements OperatorPlan { protected List<Operator> ops; protected PlanEdge fromEdges; protected PlanEdge toEdges; protected PlanEdge softFromEdges; protected PlanEdge softToEdges; private List<Operator> roots; private List<Operator> leaves;
比如:
toEdges.get(op) 返回op的前辈
toEdges.get(op)==null 的op为root
fromEdges.get(op) 返回op的后辈
fromEdges.get(op)==null 的op为leave
PlanEdge类的实现:
public class PlanEdge extends MultiMap<Operator, Operator>
这里的MultiMap是Pig自己的工具类,Pig表示不使用Apache common的MultiMap是因为不支持序列化。
public class MultiMap<K, V> implements Serializable { // Change this if you modify the class. static final long serialVersionUID = 2L; protected Map<K, ArrayList<V>> mMap = null; public MultiMap() { mMap = new HashMap<K, ArrayList<V>>(); }
因为MultiMap的value部分使用的是ArrayList,所以使得某些图操作支持position信息,如:
public Pair<Integer, Integer> disconnect(Operator from, Operator to) public void connect(Operator from, int fromPos, Operator to, int toPos)
除了实现图操作方法外,BaseOperatorPlan还提供了explain()方法,子类会使用dpumper或printer来打印输出Operators层次结构。
主要看下LogicalPlan和LogicalExpressionPlan两个实现类。
LogicalPlan
LogicalPlan只包含关系型操作,也就是说涉及到的Operator都是LogicalRelationalOperator。
explain()方法既支持LogicalPlanPrinter的visit实现,也支持DotLOPrinter的dpump实现。
LogicalPlanPrinter是PlanVisitor的子类, LogicalPlanPrinter内部有一个PrintStream,在visit()过程中边遍历,边记录。
DotLOPrinter是DotPlanDumper的子类,DotPlanDumper是PlanDumper的子类,根据graphviz的dot algorithm,输出符合DOT格式的plan。
LogicalExpressionPlan
LogicalExpressionPlan处理的是LogicalExpressionOperators。
explain()方法借助LogicalPlanPrinter实现
PlanVisitor
访问者机制,用于操作一个plan。
内部有一个PlanWalker双向队列,PlanWalker会按照某种顺序遍历访问传入的OperatorPlan,让plan的每个operation accept该Visitor。
PlanVisitor可以进行push和pop walker的操作。visit()方法调用的是walker.walk(this)方法。

继承结构很可观

主要看LogicalExpressionVisitor、LogicalRelationalNodesVisitor这两大体系。前者访问expression plans,后者访问logical plans。
LogicalExpressionVisitor
LogicalExpressionVisitor初始化的时候会判断传入的OperatorPlan是否是LogicalExpressionPlan的子类。visit()方法们通过多态,接受LogicalExpression的子类。
LogicalRelationalNodesVisitor
LogicalRelationalNodesVisitor接受的OperatorPlan必须每个operator都是LogicalRelationalOperator的子类(初始化的时候会得到operator iterator对每个进行校验,不满足就抛异常)。visit()方法们通过多态,接受LogicalRelationalOperator的实现子类。
PlanWalker
PlanWalker提供的是遍历访问一个plan的能力。
PlanWalker的子类主要实现两个方法:
public abstract void walk(PlanVisitor visitor) throws FrontendException; public abstract PlanWalker spawnChildWalker(OperatorPlan plan);
walk()方法在子类的实现中,会以不同的顺序遍历plan,最后的结果是遍历到的节点Operator会调op.accept(visitor)接受本Visitor。
继承结构
接下来具体介绍各子类遍历能力的实现。
DependencyOrderWalker
DependencyOrderWalker按照依赖顺序访问plan,即一个node被访问的前提是它的前辈们已经被访问过了。这个访问顺序相当于,按照拓扑顺序访问图上的节点。
@Override public PlanWalker spawnChildWalker(OperatorPlan plan) { return new DependencyOrderWalker(plan); }
walk()方法通过plan.getSinks()方法得到所有的leave节点,即没有后辈的节点,然后遍历他们,获取每个节点的所有前辈,再递归前辈的前辈,从而实现把所有的节点都访问一遍,最后得到结果就是一个FIFO的List。代码里的这个Graph依赖遍历的方式很不高效,但是因为访问的图的节点少,所以可接受。
递归的过程如下
protected void doAllPredecessors(Operator node, Set<Operator> seen, Collection<Operator> fifo) throws FrontendException { if (!seen.contains(node)) { // We haven't seen this one before. Collection<Operator> preds = Utils.mergeCollection(plan.getPredecessors(node), plan.getSoftLinkPredecessors(node)); if (preds != null && preds.size() > 0) { // Do all our predecessors before ourself for (Operator op : preds) { doAllPredecessors(op, seen, fifo); } } // Now do ourself seen.add(node); fifo.add(node); } }
DepthFirstWalk
DepthFirstWalker是深度优先遍历(由上而下的深度优先)
@Override public PlanWalker spawnChildWalker(OperatorPlan plan) { return new DepthFirstWalker(plan); }
walk()方法通过plan.getSources()得到所有的root节点,然后遍历他们,遍历的时候获取他们的所有后辈,递归遍历。
递归过程如下:
private void depthFirst(Operator node, Collection<Operator> successors, Set<Operator> seen, PlanVisitor visitor) throws FrontendException { if (successors == null) return; for (Operator suc : successors) { if (seen.add(suc)) { suc.accept(visitor); Collection<Operator> newSuccessors = Utils.mergeCollection(plan.getSuccessors(suc), plan.getSoftLinkSuccessors(suc)); depthFirst(suc, newSuccessors, seen, visitor); } } }
PreOrderDepthFirstWalker
PreOrderDepthFirstWalker即前序深度优先(由下而上的深度优先)
子Walker是深度优先
public PlanWalker spawnChildWalker(OperatorPlan plan) { return new DepthFirstWalker(plan); }
walk()方法是通过plan.getSinks()得到所有leave节点,然后遍历每个leave节点,获得他的前辈,并递归进行深度优先(向上)遍历。
递归操作如下:
private void depthFirst(Operator node, Collection<Operator> predecessors, Set<Operator> seen, PlanVisitor visitor) throws FrontendException { if (predecessors == null) return; boolean thisBranchFlag = branchFlag; for (Operator pred : predecessors) { if (seen.add(pred)) { branchFlag = thisBranchFlag; pred.accept(visitor); Collection<Operator> newPredecessors = Utils.mergeCollection(plan.getPredecessors(pred), plan.getSoftLinkPredecessors(pred)); depthFirst(pred, newPredecessors, seen, visitor); } } }
ReserveDependencyOrderWalker
ReserveDependencyOrderWalker是逆向的依赖顺序遍历,即一个节点访问之后才能访问它依赖的节点,即N节点要想被访问,需要依赖N节点的节点先被访问。
@Override public PlanWalker spawnChildWalker(OperatorPlan plan) { return new ReverseDependencyOrderWalker(plan); }
walk()方法的访问模式类似DependencyOrderWalker,区别在于先获得所有的root节点,然后进行遍历操作,遍历root节点的所有后辈,递归后辈的后辈,使root节点最后访问。
递归如下:
protected void doAllSuccessors(Operator node, Set<Operator> seen, Collection<Operator> fifo) throws FrontendException { if (!seen.contains(node)) { // We haven't seen this one before. Collection<Operator> succs = Utils.mergeCollection(plan.getSuccessors(node), plan.getSoftLinkSuccessors(node)); if (succs != null && succs.size() > 0) { // Do all our successors before ourself for (Operator op : succs) { doAllSuccessors(op, seen, fifo); } } // Now do ourself seen.add(node); fifo.add(node); } }
ReverseDependencyOrderWalkerWOSeenChk
ReverseDependencyOrderWalkerWOSeenChk也是逆向的依赖顺序遍历,同ReserveDependencyOrderWalker一样。
子Walker是ReserveDependencyOrderWalker
@Override public PlanWalker spawnChildWalker(OperatorPlan plan) { return new ReverseDependencyOrderWalker(plan); }
walk()方法和ReserveDependencyOrderWalker的区别在于,每次遍历的时候不记录一个seen的Set<Operator>集。
最后更新:2017-04-03 12:56:08