Flink内核源码（七）Flink SQL提交流程_flinksql提交流程

第七章就来学习一下Flink SQL的解析提交流程。

问题整理：

1. Flink中的Calcite是什么？
2. Flink SQL的提交流程是怎样的？

1. Calcite

Apache Calcite是一个动态数据管理框架 ，它具备很多典型数据库管理系统的功能，如SQL解析、SQL校验、SQL查询优化等，又省略了一些功能，如不存储相关数据，也不完全包含相关处理数据等。

Flink中的sql解析、sql校验和sql优化便是依赖calcite来完成的。

梳理一下Calcite SQL执行的几个阶段：

1. 通过Parser解析器将传入的sql解析成一颗词法树，SqlNode作为树的节点
2. 做词法的校验Validate，类型校验，元数据校验等等
3. 将校验好的SqlNode树转换成对应的关系代数表达式，也是一颗树，RelNode作为节点
4. 将RelNode关系代数表达式树，通过内置的两种优化器Volcano , Hep 优化关系代数表达式得到最优逻辑代数的一颗树，也是RelNode
5. 最优的逻辑代数表达式（RelNode）,会被转换成对应的可执行的物理执行计划（转换逻辑根据框架有所不同），像Flink就转成他的Operator去运行

2. Flink SQL 提交流程

先整体对Flink SQL 提交流程进行一个描述，再从源码角度进行详细解释。

总共包括两大阶段：

1. sql到operation的转换

• SQL解析：调用parser方法，将SQL转为未经校验的AST抽象语法树，也就是SqlNode，它主要会用到词法解析和语法解析。词法解析就是将Sql语句转为一组token，而语法解析就是将token进行递归下降词法分析

• SQL校验：就是将未经校验的抽象语法树校验成已经校验的抽象语法树，在校验阶段主要校验两部分：1）校验表名，字段名，函数名是否正确 2）校验特殊的类型是否正确，如join操作，groupby是否有嵌套等

• 调用rel()方法：将抽象语法树SqlNode转为关系代数树RelNode（关系代数表达式）和RexNode行表达式，在这个过程中，DDL它是不执行rel()方法的，因为DDL实际是对元素区的修改，不涉及复杂查询

• 调用convert()方法：最终会将RelNode转化为operation，operation它包括多种类型，但最终都会生成根节点modify operation

2. operation到transformations的转换

• 将modify operation最终转换成calcite的逻辑计划树（calcite logicalPlan），其次，将calcite logicalPlan转为flink的逻辑计划树（Flink LogicalRel）
• 调用optimize()方法，将Flink LogicalRel优化成物理计划FlinkPhysicalRel，包括两大优化规则：基于规则优化RBO和基于代价优化CBO
• 调用translateToExecNodeGraph方法，该方法是将物理计划转化为ExecGraph
• 调用translateToPlan()方法，会将最终的ExecGraph转化为transformations

3. 源码解析

3.1 Sql语句解析成语法树阶段（SQL - > SqlNode）

TableEnvironmentImpl是sql执行的入口类，TableEnvironmentImpl中提供了executeSql,sqlQuery等方法用来执行DDL和DML等sql，sql执行时会对sql进行解析，ParserImpl是flink调用sql解析的实现类，ParserImpl#parse()方法中通过调用包装器对象CalciteParser#parse()方法并创建并调用使用javacc生成的sql解析器(FlinkSqlParserImpl)中的parseSqlStmtEof方法完成sql解析，并返回SqlNode对象

核心代码：

public List<Operation> parse(String statement) {
	CalciteParser parser = calciteParserSupplier.get();
	FlinkPlannerImpl planner = validatorSupplier.get();
	//TODO 在这里调用使用javacc生成的分析器,将sql语句解析成sqlNode
	SqlNode parsed = parser.parse(statement);
 
	//TODO 将sqlNode转换为Operation
	Operation operation = SqlToOperationConverter.convert(planner, catalogManager, parsed)
		.orElseThrow(() -> new TableException("Unsupported query: " + statement));
	return Collections.singletonList(operation);
}
1
2
3
4
5
6
7
8
9
10
11

其中parser.parse(…)方法，将sql语句解析成sqlNode。对应的表名、列名、with属性参数、主键、唯一键、分区键、水印、表注释、表操作（create table、alter table、drop table）都放到SqlNode对象的对应属性中，SqlNode是一个树形结构也就是AST。

3.2 Sql校验（SqlNode - > Operation）

sql解析完成后执行sql校验，flink sql中增加了SqlNode转换为Operation的过程，sql校验是在这个过程中完成。在SqlToOperationConverter#convert()方法中完成这个过程的转换，之间会通过FlinkPlannerInpm#validate()方法对表、函数、字段等完成校验并基于生成的validated SqlNode生成对应的Opeation。

不同的sql经过convert处理后返回不同的Operation，最后会根据不同的Operation有不同的处理行为。

3.3 Flink SQL优化（Operation - > RelNode->Transformation ）

Blink中并没有直接使用Calcite的优化器，而是通过规则组合和Calcite优化组合分别为batch和stream实现了自定义的优化器。
优化执行前会先将SqlNode转为RelNode，基于RelNode调用PlannerBase#optimize()并执行StreamCommonSubGraphBasedOptimizer#doOptimize()方法完成优化

在完成Sql到RelNode的转换后，会执行executeOperation(…)操作，在这里先将sqlNode转换成RelNode。然后进行优化操作。

然后根据传入的sql语句类型，选择不同的操作。包含有Modify、CreateTable、DropTable等。

在这里，有进行转换和优化操作，重点是在translate方法中，最终调用的是PlannerBase里的translate(...)方法

override def translate(
    modifyOperations: util.List[ModifyOperation]): util.List[Transformation[_]] = {
  if (modifyOperations.isEmpty) {
    return List.empty[Transformation[_]]
  }
  // prepare the execEnv before translating
  getExecEnv.configure(
    getTableConfig.getConfiguration,
    Thread.currentThread().getContextClassLoader)
  overrideEnvParallelism()
 
  // TODO 在这里完成转换 SqlNode转换为RelNode
  val relNodes = modifyOperations.map(translateToRel)
 
  // TODO 在这里完成优化
  val optimizedRelNodes = optimize(relNodes)
  val execNodes = translateToExecNodePlan(optimizedRelNodes)
  translateToPlan(execNodes)
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

最终由translateToPlan方法将ExecNode转换成Transfomation列表

基于生成的Transformation对象调用StreamExecutor#createPipeline()方法生成StreamGraph便可以执行任务了。

参考：

• FlinkSQL源码解析（一）转换流程
• 尚硅谷Flink内核源码解析课程（从入门到精通）