本文共 14467 字,大约阅读时间需要 48 分钟。
文章目录
翻译原文:
1.引言
Calcite作为一个强大的SQL计算引擎,在Flink内部的SQL引擎模块就是基于Calcite。但是目前Calcite的相关学习文档还是太少了,没有系统的学习资料。
2. 教程
这是一个循序渐进的教程,演示如何建立和连接Calcite。它使用一个简单的适配器,使CSV文件的目录看起来像一个包含表的schema。Calcite完成剩下的工作,并提供完整的SQL接口。
Calcite-example-CSV是Calcite的完全功能适配器,用于读取CSV(逗号分隔值)格式的文本文件。值得注意的是,几百行Java代码足以提供完整的SQL查询能力。
CSV 还可以用作构建其他数据格式适配器的模板。尽管代码行不多,但它涵盖了几个重要概念:
- 使用SchemaFactory和模式接口的用户自定义Schema
- 在模型JSON文件中声明Schemas;
- 在模型JSON文件中声明视图
- 利用Table接口来自定义表
- 确定表的记录类型
- 表的简单实现,使用ScannableTable 接口,直接枚举所有行
- 一种更高级的实现,实现FilterableTable,并可以根据简单的谓词筛选出行
- 使用TranslatableTable,该表使用计划器规则转换为关系运算符
3. 下载和编译
您需要Java(版本8, 9或10)和Git:
$ git clone https://github.com/apache/calcite.git$ cd calcite$ ./mvnw install -DskipTests -Dcheckstyle.skip=true$ cd example/csv
4. 首次查询
现在让我们使用sqlline连接到Calcite,这是一个包含在这个项目中的sql shell。
$ ./sqllinesqlline> !connect jdbc:calcite:model=target/test-classes/model.json admin admin
(如果运行的是Windows,则命令为sqlline.bat)
执行元数据查询:
sqlline> !tables+------------+--------------+-------------+---------------+----------+------+| TABLE_CAT | TABLE_SCHEM | TABLE_NAME | TABLE_TYPE | REMARKS | TYPE |+------------+--------------+-------------+---------------+----------+------+| null | SALES | DEPTS | TABLE | null | null || null | SALES | EMPS | TABLE | null | null || null | SALES | HOBBIES | TABLE | null | null || null | metadata | COLUMNS | SYSTEM_TABLE | null | null || null | metadata | TABLES | SYSTEM_TABLE | null | null |+------------+--------------+-------------+---------------+----------+------+
(JDBC注:sqlline的!tables
命令只是在后台执行DatabaseMetaData.getTables()。它还有其他查询JDBC元数据的命令,比如 !columns
和!describe
。)
如您所见,系统中有5个表:表EMPS, DEPTS和HOBBIES是在当前SALES schema当中; COLUMNS和TABLES是在系统元数据schema中。系统表始终存在于Calcite中,但其他表由schema的具体实现提供。在这种情况下,EMPS和DEPTS表基于target/test-classes目录中的EMPS.csv和DEPTS.csv文件。
让我们对这些表执行一些查询,以显示Calcite提供了SQL的完整实现。首先,表扫描:
sqlline> SELECT * FROM emps;+--------+--------+---------+---------+----------------+--------+-------+---+| EMPNO | NAME | DEPTNO | GENDER | CITY | EMPID | AGE | S |+--------+--------+---------+---------+----------------+--------+-------+---+| 100 | Fred | 10 | | | 30 | 25 | t || 110 | Eric | 20 | M | San Francisco | 3 | 80 | n || 110 | John | 40 | M | Vancouver | 2 | null | f || 120 | Wilma | 20 | F | | 1 | 5 | n || 130 | Alice | 40 | F | Vancouver | 2 | null | f |+--------+--------+---------+---------+----------------+--------+-------+---+
现在JOIN和GROUP BY:
sqlline> SELECT d.name, COUNT(*). . . .> FROM emps AS e JOIN depts AS d ON e.deptno = d.deptno. . . .> GROUP BY d.name;+------------+---------+| NAME | EXPR$1 |+------------+---------+| Sales | 1 || Marketing | 2 |+------------+---------+
最后,values运算符生成一行,是测试表达式和SQL内置函数的方便方法:
sqlline> VALUES CHAR_LENGTH('Hello, ' || 'world!');+---------+| EXPR$0 |+---------+| 13 |+---------+
Calcite还有许多其他SQL特征。我们没有时间在这里报道他们。再写一些查询进行实验。
5. Schema发现
Calcite是怎么找到这些tables的呢?记住,Calcite core对csv文件一无所知。作为“没有存储层的数据库”,Calcite不知道任何文件格式。Calcite知道这些表,因为我们告诉它在calcite-example-csv项目中运行代码。
在那条链上有几个步骤。首先,我们基于schema文件中的schema工厂类定义schema。然后schema工厂创建一个schema,schema创建几个表,每个表都知道如何通过扫描csv文件来获取数据。最后,在Calcite解析了查询并计划使用这些表之后,Calcite在执行查询时调用这些表来读取数据。现在让我们更详细地看看这些步骤。
在jdbc connect字符串中,我们给出了json格式的模型路径。模型如下:
{ version: '1.0', defaultSchema: 'SALES', schemas: [ { name: 'SALES', type: 'custom', factory: 'org.apache.calcite.adapter.csv.CsvSchemaFactory', operand: { directory: 'target/test-classes/sales' } } ]}
该模型定义了一个名为“SALES”的schema。该schema由org.apache.calcite.adapter.csv.CsvSchemaFactory类提供支持,该插件类是calcite-example-csv项目的一部分,实现了Calcite 接口SchemaFactory。它的create方法实例化一个schema,从模型文件传入directory参数:
public Schema create(SchemaPlus parentSchema, String name, Mapoperand) { String directory = (String) operand.get("directory"); String flavorName = (String) operand.get("flavor"); CsvTable.Flavor flavor; if (flavorName == null) { flavor = CsvTable.Flavor.SCANNABLE; } else { flavor = CsvTable.Flavor.valueOf(flavorName.toUpperCase()); } return new CsvSchema( new File(directory), flavor);}
在模型的驱动下,schema工厂实例化一个称为“SALES”的单一模式。该模式是org.apache.calcite.adapter.csv.CsvSchema的一个实例,实现了Calcite interface Schema。
schema的工作是生成表的列表。(它也可以列出子schema和表函数,但这些是高级功能,并且calcite-example-csv不支持它们。)这些表实现 Calcite的Table接口。CsvSchema生成的表是CsvTable及其子类的实例。
下面是CsvSchema的相关代码, 重写了AbstractSchema 基类的 getTableMap()方法。
protected MapgetTableMap() { // Look for files in the directory ending in ".csv", ".csv.gz", ".json", // ".json.gz". File[] files = directoryFile.listFiles( new FilenameFilter() { public boolean accept(File dir, String name) { final String nameSansGz = trim(name, ".gz"); return nameSansGz.endsWith(".csv") || nameSansGz.endsWith(".json"); } }); if (files == null) { System.out.println("directory " + directoryFile + " not found"); files = new File[0]; } // Build a map from table name to table; each file becomes a table. final ImmutableMap.Builder builder = ImmutableMap.builder(); for (File file : files) { String tableName = trim(file.getName(), ".gz"); final String tableNameSansJson = trimOrNull(tableName, ".json"); if (tableNameSansJson != null) { JsonTable table = new JsonTable(file); builder.put(tableNameSansJson, table); continue; } tableName = trim(tableName, ".csv"); final Table table = createTable(file); builder.put(tableName, table); } return builder.build();}/** Creates different sub-type of table based on the "flavor" attribute. */private Table createTable(File file) { switch (flavor) { case TRANSLATABLE: return new CsvTranslatableTable(file, null); case SCANNABLE: return new CsvScannableTable(file, null); case FILTERABLE: return new CsvFilterableTable(file, null); default: throw new AssertionError("Unknown flavor " + flavor); }}
schema扫描directory
并且发现那些.csv文件,并且为它们创建表。在本案例中,directory
是 target/test-classes/sales,然后包含了EMPS.csv和DEPTS.csv,这成为了表EMPS和DEPTS。
6. schemas中的表和视图
注意我们不需要在schema中定义任何表;schema会自动生成表。您可以使用schema的tables属性定义额外的表,而不是自动创建的表。让我们看看如何创建一个重要且有用的表类型,即视图。
在编写查询时,视图看起来像一个表,但它不存储数据。它通过执行查询来获得结果。在计划查询的同时展开视图,因此查询规划器通常可以执行优化,例如从select子句中删除最终结果中未使用的表达式。
下面是定义了视图的schema:
{ version: '1.0', defaultSchema: 'SALES', schemas: [ { name: 'SALES', type: 'custom', factory: 'org.apache.calcite.adapter.csv.CsvSchemaFactory', operand: { directory: 'target/test-classes/sales' }, tables: [ { name: 'FEMALE_EMPS', type: 'view', sql: 'SELECT * FROM emps WHERE gender = \'F\'' } ] } ]}
JSON不容易编写长字符串,因此Calcite支持另一种语法。如果视图有一个长的SQL语句,则可以提供行列表,而不是单个字符串。
{ name: 'FEMALE_EMPS', type: 'view', sql: [ 'SELECT * FROM emps', 'WHERE gender = \'F\'' ]}
现在我们定义了一个视图,我们可以在查询中使用它,就像它是一个表一样:
sqlline> SELECT e.name, d.name FROM female_emps AS e JOIN depts AS d on e.deptno = d.deptno;+--------+------------+| NAME | NAME |+--------+------------+| Wilma | Marketing |+--------+------------+
7. 自定义表
自定义表是由用户自定义的代码驱动其实现的表。它们不需要活在自定义schema中。
下面例子,model-with-custom-table.json
:
{ version: '1.0', defaultSchema: 'CUSTOM_TABLE', schemas: [ { name: 'CUSTOM_TABLE', tables: [ { name: 'EMPS', type: 'custom', factory: 'org.apache.calcite.adapter.csv.CsvTableFactory', operand: { file: 'target/test-classes/sales/EMPS.csv.gz', flavor: "scannable" } } ] } ]}
我们可以按照通常的方式查询表:
sqlline> !connect jdbc:calcite:model=target/test-classes/model-with-custom-table.json admin adminsqlline> SELECT empno, name FROM custom_table.emps;+--------+--------+| EMPNO | NAME |+--------+--------+| 100 | Fred || 110 | Eric || 110 | John || 120 | Wilma || 130 | Alice |+--------+--------+
该schema是常规schema,包含由org.apache.calcite.adapter.csv.CsvTableFactory,提供支持的自定义表,该表实现了Calcite接口TableFactory。其create方法实例化一个CsvScannableTable,从模型文件传入文件参数:
public CsvTable create(SchemaPlus schema, String name, Mapmap, RelDataType rowType) { String fileName = (String) map.get("file"); final File file = new File(fileName); final RelProtoDataType protoRowType = rowType != null ? RelDataTypeImpl.proto(rowType) : null; return new CsvScannableTable(file, protoRowType);}
实现自定义表通常是实现自定义schema的简单替代方案。这两种方法最终可能会创建一个类似的Table接口实现,但是对于自定义表,您不需要实现元数据发现。(CsvTableFactory与 CsvSchema一样创建CsvScannableTable,但表实现不会扫描文件系统中的.csv文件。)
自定义表需要为模型做更多的工作(作者需要显式地指定每个表及其文件),但也给作者更多的控制(例如,为每个表提供不同的参数)。
8. models里的注释
模型的注释可以用/* ... */
和 //
语义:
{ version: '1.0', /* Multi-line comment. */ defaultSchema: 'CUSTOM_TABLE', // Single-line comment. schemas: [ .. ]}
(注释不是标准JSON,但是是无害的扩展。)
9. 使用计划器规则优化查询
到目前为止,只要表不包含大量数据,我们看到的表实现就可以了。但是,如果您的自定义表有一百列和一百万行,那么您希望系统不会检索每个查询的所有数据。您希望Calcite与适配器协商,并找到一种更有效的访问数据的方法。
此协商是一种简单的查询优化形式。Calcite通过添加计划规则支持查询优化。规划器规则通过在查询解析树中查找模式(例如某个表顶部的项目)来操作,并将树中匹配的节点替换为一组新的节点来实现优化。
规划器规则也可以扩展,比如schemas和表。因此,如果您有一个要通过SQL访问的数据存储,那么首先要定义一个自定义表或schema,然后定义一些规则来提高访问效率。
要在实际操作中看到这一点,让我们使用计划器规则从csv文件访问列的子集。让我们针对两个非常相似的schemas运行相同的查询:
sqlline> !connect jdbc:calcite:model=target/test-classes/model.json admin adminsqlline> explain plan for select name from emps;+-----------------------------------------------------+| PLAN |+-----------------------------------------------------+| EnumerableCalcRel(expr#0..9=[{inputs}], NAME=[$t1]) || EnumerableTableScan(table=[[SALES, EMPS]]) |+-----------------------------------------------------+sqlline> !connect jdbc:calcite:model=target/test-classes/smart.json admin adminsqlline> explain plan for select name from emps;+-----------------------------------------------------+| PLAN |+-----------------------------------------------------+| EnumerableCalcRel(expr#0..9=[{inputs}], NAME=[$t1]) || CsvTableScan(table=[[SALES, EMPS]]) |+-----------------------------------------------------+
是什么导致了计划的不同?让我们跟踪证据的线索。在smart.json
模型文件中,只有一行:
flavor: "translatable"
这将导致使用flavor = TRANSLATABLE
来创建CsvSchema ,其createtable方法创建 CsvTranslatableTable实例,而不是CsvScannableTable实例。
CsvTranslatableTable实现了TranslatableTable.toRel()方法来创建CsvTableScan。表扫描是查询运算符树的叶。通常的实现是 EnumerableTableScan,但我们已经创建了一个独特的子类型,它将导致规则触发。
这是整个规则:
public class CsvProjectTableScanRule extends RelOptRule { public static final CsvProjectTableScanRule INSTANCE = new CsvProjectTableScanRule(); private CsvProjectTableScanRule() { super( operand(Project.class, operand(CsvTableScan.class, none())), "CsvProjectTableScanRule"); } @Override public void onMatch(RelOptRuleCall call) { final Project project = call.rel(0); final CsvTableScan scan = call.rel(1); int[] fields = getProjectFields(project.getProjects()); if (fields == null) { // Project contains expressions more complex than just field references. return; } call.transformTo( new CsvTableScan( scan.getCluster(), scan.getTable(), scan.csvTable, fields)); } private int[] getProjectFields(Listexps) { final int[] fields = new int[exps.size()]; for (int i = 0; i < exps.size(); i++) { final RexNode exp = exps.get(i); if (exp instanceof RexInputRef) { fields[i] = ((RexInputRef) exp).getIndex(); } else { return null; // not a simple projection } } return fields; }}
声明了关系表达式模式的构造器将导致规则触发。onMatch方法生成一个新的关系表达式,并调用RelOptRuleCall.transformTo()以指示规则已成功激发。
10. 查询优化过程
关于Calcite的查询计划有多聪明,有很多话要说,但这里我们不说。
首先,Calcite不会按规定的顺序触发规则。查询优化过程遵循分支树的许多分支,就像下棋程序检查许多可能的移动序列一样。如果规则A和B都匹配查询运算符树的给定部分,则Calcite可以同时触发这两个部分。
第二,Calcite使用成本模型来选择计划,但成本模型并不能阻止规则在短期内触发似乎更昂贵的计划。
许多优化器都有一个线性优化方案。面对规则A和规则B之间的选择,如上所述,这样的优化器需要立即进行选择。它可能有一个策略,例如“将规则A应用于整棵树,然后将规则B应用于整棵树”,或者应用基于成本的策略,应用产生更便宜结果的规则。
Calcite不需要这样的妥协。这使得组合各种规则集变得简单。如果,假设您想结合规则来识别物化视图(materialized views )和从CSV及JDBC源系统中读取的规则,你只要给Calcite一套规则,让它去做。
Calcite确实使用成本模型。成本模型决定最终使用哪一个计划,有时会修剪搜索树以防止搜索空间爆炸,但它从不强制您在规则A和规则B之间进行选择。这一点很重要,因为它可以避免陷入搜索空间中实际不是最佳的局部极小值。
另外(您猜对了),成本模型是可插拔的,它所基于的表和查询操作符统计也是可插拔的。但这可能是以后的主题。
11. JDBC适配器
JDBC适配器将JDBC数据源中的schema映射为Calcite schema。例如,此模式从mysql“foodmart”数据库读取:
{ version: '1.0', defaultSchema: 'FOODMART', schemas: [ { name: 'FOODMART', type: 'custom', factory: 'org.apache.calcite.adapter.jdbc.JdbcSchema$Factory', operand: { jdbcDriver: 'com.mysql.jdbc.Driver', jdbcUrl: 'jdbc:mysql://localhost/foodmart', jdbcUser: 'foodmart', jdbcPassword: 'foodmart' } } ]}
当前限制:JDBC适配器当前只向下推表扫描操作;所有其他处理(过滤、联接、聚合等)都发生在Calcite中。我们的目标是将尽可能多的处理推送到源系统,并在执行过程中转换语法、数据类型和内置函数。如果Calcite查询基于单个JDBC数据库中的表,那么原则上,整个查询应该转到该数据库。如果表来自多个JDBC源,或者是JDBC和非JDBC的混合,Calcite将使用最有效的分布式查询方法。
12. JDBC适配器的克隆
克隆JDBC适配器创建一个混合数据库。数据来源于JDBC数据库,但在第一次访问每个表时,数据被读取到内存中的表中。Calcite根据内存表中的查询来评估查询,这实际上是数据库的一个缓存。
例如,以下模型从mysql“foodmart”数据库读取表:
{ version: '1.0', defaultSchema: 'FOODMART_CLONE', schemas: [ { name: 'FOODMART_CLONE', type: 'custom', factory: 'org.apache.calcite.adapter.clone.CloneSchema$Factory', operand: { jdbcDriver: 'com.mysql.jdbc.Driver', jdbcUrl: 'jdbc:mysql://localhost/foodmart', jdbcUser: 'foodmart', jdbcPassword: 'foodmart' } } ]}
另一种技术是在现有schema的基础上构建克隆schema。使用source属性引用模型中前面定义的架构,如下所示:
{ version: '1.0', defaultSchema: 'FOODMART_CLONE', schemas: [ { name: 'FOODMART', type: 'custom', factory: 'org.apache.calcite.adapter.jdbc.JdbcSchema$Factory', operand: { jdbcDriver: 'com.mysql.jdbc.Driver', jdbcUrl: 'jdbc:mysql://localhost/foodmart', jdbcUser: 'foodmart', jdbcPassword: 'foodmart' } }, { name: 'FOODMART_CLONE', type: 'custom', factory: 'org.apache.calcite.adapter.clone.CloneSchema$Factory', operand: { source: 'FOODMART' } } ]}
您可以使用这种方法在任何类型的模式上创建克隆模式,而不仅仅是JDBC。
克隆适配器不是万能的。我们计划开发更复杂的缓存策略,以及更完整和高效的内存表实现,但目前,克隆JDBC适配器展示了什么是可能的,并允许我们尝试最初的实现。
转载地址:https://blog.csdn.net/hxcaifly/article/details/88661252 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!