阿卡姆大数据科普报告——Calcite，2024大数据开发开发社招面试解答之性能优化== 这是一个手把手式文档，教你如何

这是一个手把手式文档，教你如何构建并且连接到Calcite。我们用一个简单的适配器来将一个包含CSV文件的目录变成一个包含数据表的数据库(原文描述为schema)。Calcite可以提供一个完整的SQL接口。

Calcite-example-CSV是一个全功能适配器来使得Calcite可以读取CSV格式文件。可以通过几百行代码就能够完成一个全SQL查询功能。

CSV适配器可以作为抛砖引玉的模板套用到其他数据格式上。尽管他代码量不多，但是麻雀虽小五脏俱全，重要原理都包含其中：

使用SchemaFactory和Schema interfaces来自定义schema
使用固定格式的JSON文件来(a model JSON file模型文件)声明数据库(schemas)
使用固定格式的JSON文件来(a model JSON file模型文件)声明视图(views)
使用Table interface来自定义表(Table)
确定表格的记录类型
使用ScannableTable interface来实现一个简单的表(Table)，来枚举所有行(rows)
进阶实现FilterableTable，可以根据条件(simple predicates)来过滤数据
表的进阶实现TranslatableTable,将执行计划翻译成关系运算(translates to relational operators using planner rules)

下载和编译

需要Java环境(1.7及以上版本，推荐1.8)，git以及maven(3.2.1及以上版本)

$ git clone github.com/apache/calc…

$ cd calcite

$ mvn install -DskipTests -Dcheckstyle.skip=true

$ cd example/csv

第一个查询

现在让我们来使用sqlline来连接Calcite，sqlline是一个包含在整个Calcite项目里的SQL的命令行工具。

$ ./sqlline

sqlline> !connect jdbc:calcite:model=target/test-classes/model.json admin admin

(如果是windows操作系统，使用sqlline.bat)

执行一个元数据查询：

sqlline> !tables

+------------+--------------+-------------+---------------+----------+------+

+------------+--------------+-------------+---------------+----------+------+

+------------+--------------+-------------+---------------+----------+------+

(*译者注：上面案例里使用的!tables命令查询元数据，但是译者在使用的时候发现这个命令不好使)

0: jdbc:calcite:model=target/test-classes/mod> !table

+-----------+-------------+------------+------------+---------+----------+------------+-----------+---------------------------+----------------+

+-----------+-------------+------------+------------+---------+----------+------------+-----------+---------------------------+----------------+

+-----------+-------------+------------+------------+---------+----------+------------+-----------+---------------------------+----------------+

(JDBC提示：在sqlline里!tables命令只是执行了DatabaseMetaData.getTables()方法，还有其他的获取元数据命令如：!columns,!describe)

(译者注：!describe需要加表名)

0: jdbc:calcite:model=target/test-classes/mod> !describe

Usage: describe <table name>

0: jdbc:calcite:model=target/test-classes/mod> !describe DEPTS

+-----------+-------------+------------+-------------+-----------+-----------+-------------+---------------+----------------+----------------+----------+---------+------------+---------------+------------------+-------------------+------------------+-------------+---------------+--------------+-------------+

| | SALES | DEPTS | DEPTNO | 4 | INTEGER | -1 | null | null | 10 | 1 | | | null | null | -1 | 1 | YES | | | |

| | SALES | DEPTS | NAME | 12 | VARCHAR CHARACTER SET "ISO-8859-1" COLLATE "ISO-8859-1 $en_US$ primary" | -1 | null | null | 10 | 1 | | | null | null | -1 | 2 |

你能看到，在执行!tables的时候有5个表，表EMPS, DEPTS和HOBBIES在SALES库(schema)里,表COLUMNS和TABLES在系统元数据库(system metadata schema)里。系统表总是在Calcite里显示，但其他表是由库(schema)的实现来指定的，在本例中，EMPS和DEPTS表来源于target/test-classes路径下的EMPS.csv和DEPTS.csv。

让我们来执行一些查询，来展示Calcite的全SQL功能，首先表检索：

sqlline> SELECT * FROM emps;

+--------+--------+---------+---------+----------------+--------+-------+---+

+--------+--------+---------+---------+----------------+--------+-------+---+

| 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 |

+--------+--------+---------+---------+----------------+--------+-------+---+

接下来是表连接和分组聚合查询：

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，一个计算操作返回一个单行记录，也可以通过这种简便的方法来测试表达式和SQL函数

sqlline> VALUES CHAR_LENGTH('Hello, ' || 'world!');

+---------+

| EXPR$0 |

+---------+

| 13 |

+---------+

Calcite还包含很多SQL特性，这里就不一一列举了。

Schema探索

那么Calcite是如何发现表的呢？事实上Calcite的核心是并不能理解CSV文件的(作为一个“没有存储层的databse”，Calcite是了解任何文件格式)，之所以Calcite能读取上文中的元数据，是因为在calcite-example-csv里我们撰写了相关代码。

在执行链里包含着很多步骤。首先我们定义一个可以被库工厂加载的模型文件(we define a schema based on a schema factory class in a model file.)。然后库工厂会加载成数据库并创建许多表，每一个表都需要知道自己如何加载CSV中的数据。最后Calcite解析完查询并将查询计划映射到这几个表上时，Calcite会在查询执行时触发这些表去读取数据。接下来我们更深入地解析其中的细节步骤。

举个栗子(a model in JSON format)：

{

version: '1.0',

defaultSchema: 'SALES',

schemas: [

{

type: 'custom',

factory: 'org.apache.calcite.adapter.csv.CsvSchemaFactory',

operand: {

directory: 'target/test-classes/sales'

}

]

}

这个模型文件定义了一个库(schema)叫SALES,这个库是由一个插件类(a plugin class)支持的,org.apache.calcite.adapter.csv.CsvSchemaFactory这个是calcite-example-csv工程里interface SchemaFactory的一个实现。它的create方法将一个schema实例化了，将model file中的directory作为参数传递过去了。

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);

}

根据模型(model)描述，库工程(schema factory)实例化了一个名为'SALES'的简单库(schema)。这个库(schema)是org.apache.calcite.adapter.csv.CsvSchema的实例并且实现了Calcite里的接口Schema。

一个库(schema)的主要职责就是创建一个表(table)的列表(库的职责还包括子库列表、函数列表等，但是calcite-example-csv项目里并没有包含他们)。这些表实现了Calcite的Table接口。CsvSchema创建的表全部是CsvTable和他的子类的实例。

下面是CsvSchema的一些相关代码，对基类AbstractSchema中的getTableMap()方法进行了重载。

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会扫描指定路径，找到所有以.csv/结尾的文件。在本例中，指定路径是 target/test-classes/sales，路径中包含文件'EMPS.csv'和'DEPTS.csv'，这两个文件会转换成表EMPS和DEPTS。

表和视图

值得注意的是，我们在模型文件(model)里并不需要定义任何表，schema会自动创建的。你可以额外扩展一些表(tables)，使用这个schema中其他表的属性。

让我们看看如何创建一个重要且常用的一种表——视图。

在写一个查询时，视图就相当于一个table，但它不存储数据。它通过执行查询来生成数据。在查询转换为执行计划时，视图会被展开，所以查询执行器可以执行一些优化策略，例如移除一些SELECT子句中存在但在最终结果中没有用到的表达式。

举个栗子：

{

version: '1.0',

defaultSchema: 'SALES',

schemas: [

{

type: 'custom',

factory: 'org.apache.calcite.adapter.csv.CsvSchemaFactory',

operand: {

directory: 'target/test-classes/sales'

tables: [

{

type: 'view',

sql: 'SELECT * FROM emps WHERE gender = 'F''

}

]

}

]

}

栗子中type：view这一行将FEMALE_EMPS定义为一个视图，而不是常规表或者是自定义表。注意通常在JSON文件里，定义view的时候，需要对单引号进行转义。

用JSON来定义长字符串易用性不太高，因此Calcite支持了一种替代语法。如果你的视图定义中有长SQL语句，可以使用多行来定义一个长字符串:

{

type: 'view',

sql: [

'SELECT * FROM emps',

'WHERE gender = 'F''

]

}

现在我们定义了一个视图(view),我们可以再查询中使用它就像使用普通表(table)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 |

+--------+------------+

自定义表

自定义表是由用户定义的代码来实现定义的，不需要额外自定义schema。

继续举个栗子model-with-custom-table.json：

{

version: '1.0',

defaultSchema: 'CUSTOM_TABLE',

schemas: [

{

tables: [

{

type: 'custom',

factory: 'org.apache.calcite.adapter.csv.CsvTableFactory',

operand: {

file: 'target/test-classes/sales/EMPS.csv.gz',

flavor: "scannable"

}

]

}

]

}

我们可以一样来查询表数据：

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 |

+--------+--------+

上面的schema是通用格式，包含了一个自定义表org.apache.calcite.adapter.csv.CsvTableFactory,这个类实现了Calcite中的TableFactory接口。它在create方法里实例化了CsvScannableTable，将model文件中的file参数传递过去。

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);

}

通常做法是实现一个自定义表(a custom table)来替代实现一个自定义库(a custom schema)。两个方法最后都会创建一个Table接口的实例，但是自定义表无需重新实现元数据(metadata)获取部分。(CsvTableFactory和CsvSchema一样，都创建了CsvScannableTable，但是自定表实现就不需要实现在文件系统里检索.csv文件。)

自定义表(table)要求开发者在model上执有多操作(开发者需要在model文件中显式指定每一个table和它对应的文件)，同时也提供给了开发者更多的控制选项(例如，为每一个table提供不同参数)。

模型中的注释

注释使用语法 /* ... */ 和 //:

{

version: '1.0',

/* 多行

注释 */

defaultSchema: 'CUSTOM_TABLE',

// 单行注释

schemas: [

]

}

(注释不是标准JSON格式，但不会造成影响。)

使用查询计划来优化查询

目前来看表(table)实现和查询都没有问题，因为我们的表中并没有大量的数据。但如果你的自定义表(table)有，例如，有100列和100万行数据，你肯定希望用户在每次查询过程中不检索全量数据。你会希望Calcite通过适配器来进行衡量，并找到一个更有效的方法来访问数据。

这个衡量过程是一个简单的查询优化格式。Calcite是通过添加执行器规则(planner rules)来支持查询优化的。执行器规则(planner rules)通过在查询解析中寻找指定模式(patterns)(例如在某个项目中匹配到某种类型的table是生效),使用实现优化后的新节点替换寻找到节点。

执行器规则(planner rules)也是可扩展的，就像schemas和tables一样。所以如果你有一些存储下来的数据希望通过SQL访问它，首先需要定义一个自定义表或是schema，然后再去定义一些能使数据访问高效的规则。

为了查看效果，我们可以使用一个执行器规则(planner rules)来访问一个CSV文件中的某些子列集合。我们可以在两个相似的schema中执行同样的查询:

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]]) |

+-----------------------------------------------------+

这两个计划到底有什么不同呢？通过对比可以发现，在smart.json里只多了一行：

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取