Spark 4.0的 VariantType 类型优点以及使用分析

背景

本文基于Spark 4.0。

总结

对于半结构化的数据来说，我们一般会有两种方式进行存储:
第一种是存储为JSON String,这种可以保证Schema free，但是在使用的时候得解析为JSON，从而进行运算操作。
第二种是存储为Struct类型，这种虽然性能好，但是Schema是不可变的
所以引入了Variant类型：

• Schema free以及相对于json String来说会有更好的查询性能，且使半结构化数据处理快速简单。
• Variant数据类型以灵活的方式存储半结构化数据
• 无需预先定义模式。
• Variant二进制编码还允许比解析字符串更快地处理数据。

分析

直接到 Variant 对应的getFieldByKey方法（这个方法相对于JSON String来说就是获取某个JSON所对应key的值）：

public Variant getFieldByKey(String key) {
    return handleObject(value, pos, (size, idSize, offsetSize, idStart, offsetStart, dataStart) -> {
      // Use linear search for a short list. Switch to binary search when the length reaches
      // `BINARY_SEARCH_THRESHOLD`.
      final int BINARY_SEARCH_THRESHOLD = 32;
      if (size < BINARY_SEARCH_THRESHOLD) {
        for (int i = 0; i < size; ++i) {
          int id = readUnsigned(value, idStart + idSize * i, idSize);
          if (key.equals(getMetadataKey(metadata, id))) {
            int offset = readUnsigned(value, offsetStart + offsetSize * i, offsetSize);
            return new Variant(value, metadata, dataStart + offset);
          }
        }
      } else {
        int low = 0;
        int high = size - 1;
        while (low <= high) {
          // Use unsigned right shift to compute the middle of `low` and `high`. This is not only a
          // performance optimization, because it can properly handle the case where `low + high`
          // overflows int.
          int mid = (low + high) >>> 1;
          int id = readUnsigned(value, idStart + idSize * mid, idSize);
          int cmp = getMetadataKey(metadata, id).compareTo(key);
          if (cmp < 0) {
            low = mid + 1;
          } else if (cmp > 0) {
            high = mid - 1;
          } else {
            int offset = readUnsigned(value, offsetStart + offsetSize * mid, offsetSize);
            return new Variant(value, metadata, dataStart + offset);
          }
        }
      }
      return null;
    });
  }

其中 handleObject 方法用来获取 Variant 对象的元数据信息,

public static <T> T handleObject(byte[] value, int pos, ObjectHandler<T> handler) {
    checkIndex(pos, value.length);
    int basicType = value[pos] & BASIC_TYPE_MASK;
    int typeInfo = (value[pos] >> BASIC_TYPE_BITS) & TYPE_INFO_MASK;
    if (basicType != OBJECT) throw unexpectedType(Type.OBJECT);
    // Refer to the comment of the `OBJECT` constant for the details of the object header encoding.
    // Suppose `typeInfo` has a bit representation of 0_b4_b3b2_b1b0, the following line extracts
    // b4 to determine whether the object uses a 1/4-byte size.
    boolean largeSize = ((typeInfo >> 4) & 0x1) != 0;
    int sizeBytes = (largeSize ? U32_SIZE : 1);
    int size = readUnsigned(value, pos + 1, sizeBytes);
    // Extracts b3b2 to determine the integer size of the field id list.
    int idSize = ((typeInfo >> 2) & 0x3) + 1;
    // Extracts b1b0 to determine the integer size of the offset list.
    int offsetSize = (typeInfo & 0x3) + 1;
    int idStart = pos + 1 + sizeBytes;
    int offsetStart = idStart + size * idSize;
    int dataStart = offsetStart + (size + 1) * offsetSize;
    return handler.apply(size, idSize, offsetSize, idStart, offsetStart, dataStart);
  }

按照以上的布局来进行获取 该 object大小，field id list大小， offset list大小，id list的起始位，offset的起始位置。

接下来就是循环调用 getMetadataKey 方法获取每个key（通过offset[i+1]- offset[i]）的具体值，与当前的key进行比对，如果相等，则返回，之后再返回new Variant(value, metadata, dataStart + offset)对象，其中会带有该key对应的起始offset。
如果想要得到具体的类型值，直接通过对应的方法获取即可，比如说getString等

注意：如果该object的字节长度大于32字节，则用二分查找来查找，否则用顺序查找。