背景
近日有用户反馈在使用Impala的过程中，SQL执行的很慢，我们抓取到相关的SQL，简化之后，如下所示（其中相关的敏感信息都已经做了替换）：
代码语言：javascript复制select count(1) from user_table
where day ='2019-03-19'
and url rlike 'http://www.example.com/'
and user_udf(info, 'type') = 'IOS'
and from_unixtime(cast(time/1000 as int), 'HH') <= '23';其中，user_udf是用户自己用java编写的一个UDF，主要就是通过对info列进行一系列的处理，然后使用第二个参数进行匹配，返回匹配之后的结果。表的schema如下所示：
代码语言：javascript复制CREATE EXTERNAL TABLE user_table (
time BIGINT,
url STRING,
info STRING
)
PARTITIONED BY (
day STRING
)
STORED AS PARQUET
LOCATION 'hdfs://xxx/user_table';经过排查发现，由于数据量比较大（千万甚至上亿的级别），而且user_udf的执行效率很低，导致了整个sql跑的很慢。在测试过程中发现，如果只有url rlike 'http://www.example.com/'和from_unixtime(cast(time/1000 as int), 'HH') <= ’23’这两个过滤条件，那么得到的结果就只剩下几千条，可以说非常小了。我们将这个结果写入一个临时表，然后再使用user_udf(info, 'type') = 'IOS'这个过滤条件对测试表进行过滤，发现结果很快（因为测试表的大小只有几千条）。
基于以上测试结果，我萌生了这样一个想法，能不能通过手动调整where中的过滤条件顺序，来让url和time的过滤先执行，最后再对info使用udf进行判断？我们使用explain查看sql的执行计划，如下所示：
通过执行计划，我们可以看到，where中的一系列过滤条件都被转换成了相应的predicates，由于day是时间分区列，可以直接进行过滤，因此不在这个predicates里面。从图中我们可以看到，三个过滤条件的执行顺序依次是：info->time->url，使用udf的过滤条件被放到了第一个位置，这不是我们想要的结果，因此，我们修改SQL中的where条件顺序，如下所示：
代码语言：javascript复制select count(1) from user_table
where day ='2019-03-19'
and url rlike 'http://www.example.com/'
and from_unixtime(cast(time/1000 as int), 'HH') <= ’23'
and user_udf(info, 'type') = 'IOS';再次通过explain执行sql，发现执行计划中的predicates与上述的一样，并没有发生改变。对于这个结果，我们猜测应该是impala在内部做了相应的处理，对于不同的predicate，有一个衡量标准来判断每个predicate的执行顺序。
代码追溯
为了验证上面的猜测，需要查看相应的源代码来进行验证。Impala的SQL语法解析部分都是在FE端执行的，由java编写，并且使用了开源的ANTLR来进行语法分析，因此我们可以使用IDEA来进行远程调试，跟踪相关的代码。
当SQL请求提交到了impalad节点，BE端（由C 编写）通过JNI来调用FE的相关接口来进行SQL解析，其中的这些细节就不再过多赘述，这里主要介绍关于这些predicate的生成及优化过程。Impala首先会通过ANTLR的相关API来进行相应的语法解析，主要代码如下：
代码语言：javascript复制// Frontend.java
public StatementBase parse(String stmt) throws AnalysisException {
SqlScanner input = new SqlScanner(new StringReader(stmt));
SqlParser parser = new SqlParser(input);
try {
return (StatementBase) parser.parse().value;
} catch (Exception e) {
throw new AnalysisException(parser.getErrorMsg(stmt), e);
}
}其中StatementBase就是Impala定义的所有statement的base class，相关的UML图如下所示：
所有提交到Impala的SQL都会通过上面的parse方法转换成相应的xxxStmt类，上面的UML图中只列举出了其中的一部分，还有其他的Stmt没有列出。我们上面的SQL最终就会被转换成SelectStmt，所以我们主要来看这个类。其中有一个whereClause_成员，就是where条件中的各个过滤条件经过语法解析之后生成的结果，是一个Expr类，其UML图如下所示：
最终，where中的各个过滤条件就会被转换成对应的Predicate类，然后以树状结构存储在whereClause_的children_成员变量中，可以通过遍历的方式来获取到所有的predicate成员。我们可以通过断点调试跟踪到如下所示的成员变量内容：
从图中我们可以看到，whereClause_包含了两个字节点，分别是CompoundPredicate和BinaryPredicate。我们手动将这些predicates转换成相应的树状信息，结果如下图所示：
图中的灰色节点和蓝色节点代表的是叶子节点，它们的children_为空。其中，灰色的SlotRef代表了一个column的相关信息，而蓝色的节点一般代表常量成员。从图中我们看到这个树按照从左到右，从上到下的顺序，与SQL语句中的where过滤条件顺序是一致，所以说相关的predicate顺序调整不在这个地方。我们需要继续往后跟踪代码。
细心的同学可能已经发现了，在上面的Expr类的UML图中，有一个computeEvalCost方法，而这个方法就是计算每一个expr执行所需要的cost。我们以user_udf(info, 'type') = 'IOS'这个过滤条件为例，这个过滤条件在转换成对应的predicates时，相应的类如下：
代码语言：javascript复制// BinaryPredicate.java
protected float computeEvalCost() {
if (!hasChildCosts()) return UNKNOWN_COST;
if (getChild(0).getType().isFixedLengthType()) {
return getChildCosts() BINARY_PREDICATE_COST;
} else if (getChild(0).getType().isStringType()) {
return getChildCosts()
(float) (getAvgStringLength(getChild(0)) getAvgStringLength(getChild(1))) *
BINARY_PREDICATE_COST;
} else {
return getChildCosts() VAR_LEN_BINARY_PREDICATE_COST;
}
}
// FunctionCallExpr.java
protected float computeEvalCost() {
return hasChildCosts() ? getChildCosts() FUNCTION_CALL_COST : UNKNOWN_COST;
}
// LiterExpr.java
protected float computeEvalCost() {
return LITERAL_COST;
}每一个predicate的cost都等于子predicate的cost和再加上一个常量，我们根据以上的计算方法，可以得出user_udf(info, 'type') = 'IOS'这个过滤条件对应的cost为:(10 (1 1) 1) (5 3)*1=21。具体的计算过程可以参考impala的源码，上面涉及到的各个常量的值如下所示：
代码语言：javascript复制// Expr.java
// The relative costs of different Exprs. These numbers are not intended as a precise
// reflection of running times, but as simple heuristics for ordering Exprs from cheap
// to expensive.
// TODO(tmwarshall): Get these costs in a more principled way, eg. with a benchmark.
public final static float ARITHMETIC_OP_COST = 1;
public final static float BINARY_PREDICATE_COST = 1;
public final static float VAR_LEN_BINARY_PREDICATE_COST = 5;
public final static float CAST_COST = 1;
public final static float COMPOUND_PREDICATE_COST = 1;
public final static float FUNCTION_CALL_COST = 10;
public final static float IS_NOT_EMPTY_COST = 1;
public final static float IS_NULL_COST = 1;
public final static float LIKE_COST = 10;
public final static float LITERAL_COST = 1;
public final static float SLOT_REF_COST = 1;
public final static float TIMESTAMP_ARITHMETIC_COST = 5;
public final static float UNKNOWN_COST = -1;在将SQL进行解析之后，Impala会将这些信息转换成对应的执行计划。其中，对表的扫描就转换成了SCAN HDFS节点（如果是kudu表的话，则是SCAN KUDU），在生成HdfsScanNode的时候就会根据对各个predicate按照cost进行重新排序，如下所示：
代码语言：javascript复制// HdfsScanNode.java
/**
* Populate collectionConjuncts_ and scanRanges_.
*/
@Override
public void init(Analyzer analyzer) throws ImpalaException {
conjuncts_ = orderConjunctsByCost(conjuncts_);
// 省略余下代码
……
}最后在实际进行扫描的时候，是根据这个排序之后的predicates进行比较的。这里的orderConjunctsByCost方法不仅仅用在HdfsScanNode，其他的相关节点也会用到，这里就不再赘述。
小结
通过以上的代码学习，我们终于知道了：为什么最开始的SQL，我们调整了where中过滤条件的顺序，并不能改变执行计划中的predicates顺序。这是Impala本身的一种优化措施，除此之外，Impala还有其他的很多知识需要慢慢学习，这只是其中的冰山一角。后续，有其他的知识，我也会继续跟大家一起分享。
