文章目錄
1.引言
Calcite作爲一個強大的SQL計算引擎,在Flink內部的SQL引擎模塊就是基於Calcite。但是目前Calcite的相關學習文檔還是太少了,沒有系統的學習資料。
2. 教程
這是一個循序漸進的教程,演示如何建立和連接Calcite。它使用一個簡單的適配器,使CSV文件的目錄看起來像一個包含表的schema。Calcite完成剩下的工作,並提供完整的SQL接口。
Calcite-example-CSV是Calcite的完全功能適配器,用於讀取CSV(逗號分隔值)格式的文本文件。值得注意的是,幾百行Java代碼足以提供完整的SQL查詢能力。
CSV 還可以用作構建其他數據格式適配器的模板。儘管代碼行不多,但它涵蓋了幾個重要概念:
- 使用SchemaFactory和模式接口的用戶自定義Schema
- 在模型JSON文件中聲明Schemas;
- 在模型JSON文件中聲明視圖
- 利用Table接口來自定義表
- 確定表的記錄類型
- 表的簡單實現,使用ScannableTable 接口,直接枚舉所有行
- 一種更高級的實現,實現FilterableTable,並可以根據簡單的謂詞篩選出行
- 使用TranslatableTable,該表使用計劃器規則轉換爲關係運算符
3. 下載和編譯
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. 首次查詢
現在讓我們使用sqlline連接到Calcite,這是一個包含在這個項目中的sql shell。
$ ./sqlline
sqlline> !connect jdbc:calcite:model=target/test-classes/model.json admin admin
(如果運行的是Windows,則命令爲sqlline.bat)
執行元數據查詢:
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
命令只是在後臺執行DatabaseMetaData.getTables()。它還有其他查詢JDBC元數據的命令,比如 !columns
和!describe
。)
如您所見,系統中有5個表:表EMPS, DEPTS和HOBBIES是在當前SALES schema當中; COLUMNS和TABLES是在系統元數據schema中。系統表始終存在於Calcite中,但其他表由schema的具體實現提供。在這種情況下,EMPS和DEPTS表基於target/test-classes目錄中的EMPS.csv和DEPTS.csv文件。
讓我們對這些表執行一些查詢,以顯示Calcite提供了SQL的完整實現。首先,表掃描:
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 |
+--------+--------+---------+---------+----------------+--------+-------+---+
現在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 |
+------------+---------+
最後,values運算符生成一行,是測試表達式和SQL內置函數的方便方法:
sqlline> VALUES CHAR_LENGTH('Hello, ' || 'world!');
+---------+
| EXPR$0 |
+---------+
| 13 |
+---------+
Calcite還有許多其他SQL特徵。我們沒有時間在這裏報道他們。再寫一些查詢進行實驗。
5. Schema發現
Calcite是怎麼找到這些tables的呢?記住,Calcite core對csv文件一無所知。作爲“沒有存儲層的數據庫”,Calcite不知道任何文件格式。Calcite知道這些表,因爲我們告訴它在calcite-example-csv項目中運行代碼。
在那條鏈上有幾個步驟。首先,我們基於schema文件中的schema工廠類定義schema。然後schema工廠創建一個schema,schema創建幾個表,每個表都知道如何通過掃描csv文件來獲取數據。最後,在Calcite解析了查詢並計劃使用這些表之後,Calcite在執行查詢時調用這些表來讀取數據。現在讓我們更詳細地看看這些步驟。
在jdbc connect字符串中,我們給出了json格式的模型路徑。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'
}
}
]
}
該模型定義了一個名爲“SALES”的schema。該schema由org.apache.calcite.adapter.csv.CsvSchemaFactory類提供支持,該插件類是calcite-example-csv項目的一部分,實現了Calcite 接口SchemaFactory。它的create方法實例化一個schema,從模型文件傳入directory參數:
public Schema create(SchemaPlus parentSchema, String name,
Map<String, Object> operand) {
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);
}
在模型的驅動下,schema工廠實例化一個稱爲“SALES”的單一模式。該模式是org.apache.calcite.adapter.csv.CsvSchema的一個實例,實現了Calcite interface Schema。
schema的工作是生成表的列表。(它也可以列出子schema和表函數,但這些是高級功能,並且calcite-example-csv不支持它們。)這些表實現 Calcite的Table接口。CsvSchema生成的表是CsvTable及其子類的實例。
下面是CsvSchema的相關代碼, 重寫了AbstractSchema 基類的 getTableMap()方法。
protected Map<String, Table> getTableMap() {
// 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<String, Table> 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掃描directory
並且發現那些.csv文件,並且爲它們創建表。在本案例中,directory
是 target/test-classes/sales,然後包含了EMPS.csv和DEPTS.csv,這成爲了表EMPS和DEPTS。
6. schemas中的表和視圖
注意我們不需要在schema中定義任何表;schema會自動生成表。您可以使用schema的tables屬性定義額外的表,而不是自動創建的表。讓我們看看如何創建一個重要且有用的表類型,即視圖。
在編寫查詢時,視圖看起來像一個表,但它不存儲數據。它通過執行查詢來獲得結果。在計劃查詢的同時展開視圖,因此查詢規劃器通常可以執行優化,例如從select子句中刪除最終結果中未使用的表達式。
下面是定義了視圖的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不容易編寫長字符串,因此Calcite支持另一種語法。如果視圖有一個長的SQL語句,則可以提供行列表,而不是單個字符串。
{
name: 'FEMALE_EMPS',
type: 'view',
sql: [
'SELECT * FROM emps',
'WHERE gender = \'F\''
]
}
現在我們定義了一個視圖,我們可以在查詢中使用它,就像它是一個表一樣:
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. 自定義表
自定義表是由用戶自定義的代碼驅動其實現的表。它們不需要活在自定義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"
}
}
]
}
]
}
我們可以按照通常的方式查詢表:
sqlline> !connect jdbc:calcite:model=target/test-classes/model-with-custom-table.json admin admin
sqlline> SELECT empno, name FROM custom_table.emps;
+--------+--------+
| EMPNO | NAME |
+--------+--------+
| 100 | Fred |
| 110 | Eric |
| 110 | John |
| 120 | Wilma |
| 130 | Alice |
+--------+--------+
該schema是常規schema,包含由org.apache.calcite.adapter.csv.CsvTableFactory,提供支持的自定義表,該表實現了Calcite接口TableFactory。其create方法實例化一個CsvScannableTable,從模型文件傳入文件參數:
public CsvTable create(SchemaPlus schema, String name,
Map<String, Object> map, 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);
}
實現自定義表通常是實現自定義schema的簡單替代方案。這兩種方法最終可能會創建一個類似的Table接口實現,但是對於自定義表,您不需要實現元數據發現。(CsvTableFactory與 CsvSchema一樣創建CsvScannableTable,但表實現不會掃描文件系統中的.csv文件。)
自定義表需要爲模型做更多的工作(作者需要顯式地指定每個表及其文件),但也給作者更多的控制(例如,爲每個表提供不同的參數)。
8. models裏的註釋
模型的註釋可以用/* ... */
和 //
語義:
{
version: '1.0',
/* Multi-line
comment. */
defaultSchema: 'CUSTOM_TABLE',
// Single-line comment.
schemas: [
..
]
}
(註釋不是標準JSON,但是是無害的擴展。)
9. 使用計劃器規則優化查詢
到目前爲止,只要表不包含大量數據,我們看到的表實現就可以了。但是,如果您的自定義表有一百列和一百萬行,那麼您希望系統不會檢索每個查詢的所有數據。您希望Calcite與適配器協商,並找到一種更有效的訪問數據的方法。
此協商是一種簡單的查詢優化形式。Calcite通過添加計劃規則支持查詢優化。規劃器規則通過在查詢解析樹中查找模式(例如某個表頂部的項目)來操作,並將樹中匹配的節點替換爲一組新的節點來實現優化。
規劃器規則也可以擴展,比如schemas和表。因此,如果您有一個要通過SQL訪問的數據存儲,那麼首先要定義一個自定義表或schema,然後定義一些規則來提高訪問效率。
要在實際操作中看到這一點,讓我們使用計劃器規則從csv文件訪問列的子集。讓我們針對兩個非常相似的schemas運行相同的查詢:
sqlline> !connect jdbc:calcite:model=target/test-classes/model.json admin admin
sqlline> 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 admin
sqlline> explain plan for select name from emps;
+-----------------------------------------------------+
| PLAN |
+-----------------------------------------------------+
| EnumerableCalcRel(expr#0..9=[{inputs}], NAME=[$t1]) |
| CsvTableScan(table=[[SALES, EMPS]]) |
+-----------------------------------------------------+
是什麼導致了計劃的不同?讓我們跟蹤證據的線索。在smart.json
模型文件中,只有一行:
flavor: "translatable"
這將導致使用flavor = TRANSLATABLE
來創建CsvSchema ,其createtable方法創建 CsvTranslatableTable實例,而不是CsvScannableTable實例。
CsvTranslatableTable實現了TranslatableTable.toRel()方法來創建CsvTableScan。表掃描是查詢運算符樹的葉。通常的實現是 EnumerableTableScan,但我們已經創建了一個獨特的子類型,它將導致規則觸發。
這是整個規則:
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(List<RexNode> exps) {
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;
}
}
聲明瞭關係表達式模式的構造器將導致規則觸發。onMatch方法生成一個新的關係表達式,並調用RelOptRuleCall.transformTo()以指示規則已成功激發。
10. 查詢優化過程
關於Calcite的查詢計劃有多聰明,有很多話要說,但這裏我們不說。
首先,Calcite不會按規定的順序觸發規則。查詢優化過程遵循分支樹的許多分支,就像下棋程序檢查許多可能的移動序列一樣。如果規則A和B都匹配查詢運算符樹的給定部分,則Calcite可以同時觸發這兩個部分。
第二,Calcite使用成本模型來選擇計劃,但成本模型並不能阻止規則在短期內觸發似乎更昂貴的計劃。
許多優化器都有一個線性優化方案。面對規則A和規則B之間的選擇,如上所述,這樣的優化器需要立即進行選擇。它可能有一個策略,例如“將規則A應用於整棵樹,然後將規則B應用於整棵樹”,或者應用基於成本的策略,應用產生更便宜結果的規則。
Calcite不需要這樣的妥協。這使得組合各種規則集變得簡單。如果,假設您想結合規則來識別物化視圖(materialized views )和從CSV及JDBC源系統中讀取的規則,你只要給Calcite一套規則,讓它去做。
Calcite確實使用成本模型。成本模型決定最終使用哪一個計劃,有時會修剪搜索樹以防止搜索空間爆炸,但它從不強制您在規則A和規則B之間進行選擇。這一點很重要,因爲它可以避免陷入搜索空間中實際不是最佳的局部極小值。
另外(您猜對了),成本模型是可插拔的,它所基於的表和查詢操作符統計也是可插拔的。但這可能是以後的主題。
11. JDBC適配器
JDBC適配器將JDBC數據源中的schema映射爲Calcite schema。例如,此模式從mysql“foodmart”數據庫讀取:
{
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'
}
}
]
}
當前限制:JDBC適配器當前只向下推表掃描操作;所有其他處理(過濾、聯接、聚合等)都發生在Calcite中。我們的目標是將儘可能多的處理推送到源系統,並在執行過程中轉換語法、數據類型和內置函數。如果Calcite查詢基於單個JDBC數據庫中的表,那麼原則上,整個查詢應該轉到該數據庫。如果表來自多個JDBC源,或者是JDBC和非JDBC的混合,Calcite將使用最有效的分佈式查詢方法。
12. JDBC適配器的克隆
克隆JDBC適配器創建一個混合數據庫。數據來源於JDBC數據庫,但在第一次訪問每個表時,數據被讀取到內存中的表中。Calcite根據內存表中的查詢來評估查詢,這實際上是數據庫的一個緩存。
例如,以下模型從mysql“foodmart”數據庫讀取表:
{
version: '1.0',
defaultSchema: 'FOODMART_CLONE',
schemas: [
{
name: 'FOODMART_CLONE',
type: 'custom',
factory: 'org.apache.calcite.adapter.clone.CloneSchema$Factory',
operand: {
jdbcDriver: 'com.mysql.jdbc.Driver',
jdbcUrl: 'jdbc:mysql://localhost/foodmart',
jdbcUser: 'foodmart',
jdbcPassword: 'foodmart'
}
}
]
}
另一種技術是在現有schema的基礎上構建克隆schema。使用source屬性引用模型中前面定義的架構,如下所示:
{
version: '1.0',
defaultSchema: 'FOODMART_CLONE',
schemas: [
{
name: 'FOODMART',
type: 'custom',
factory: 'org.apache.calcite.adapter.jdbc.JdbcSchema$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'
}
}
]
}
您可以使用這種方法在任何類型的模式上創建克隆模式,而不僅僅是JDBC。
克隆適配器不是萬能的。我們計劃開發更復雜的緩存策略,以及更完整和高效的內存表實現,但目前,克隆JDBC適配器展示了什麼是可能的,並允許我們嘗試最初的實現。