在 Spark SQL 中，一条 SQL 语句（尤其是查询语句）的书写顺序和逻辑执行顺序并不相同。理解它们的先后关系，是写出正确、高效 SQL 的关键。Spark SQL 遵循 SQL 标准，同时因为基于 Catalyst 优化器，实际物理执行可能会被重排，但逻辑执行顺序是确定的。

1. 书写顺序（我们看到的代码）

SELECT [DISTINCT] ... -- 5 FROM ... -- 1 JOIN ... ON ... -- 1 WHERE ... -- 2 GROUP BY ... -- 3 HAVING ... -- 4 WINDOW ... -- (窗口定义) ORDER BY ... -- 6 LIMIT ... -- 7

注意：LATERAL VIEW、TABLESAMPLE、PIVOT/UNPIVOT 等子句的位置也遵循特定顺序，后面会补充。

2. 逻辑执行顺序（真正处理的先后）

对于一条查询，数据流转的逻辑步骤如下（数字表示步骤序号）：

① FROM / JOIN (含 ON) ② WHERE ③ GROUP BY ④ HAVING ⑤ SELECT (包含 DISTINCT, 窗口函数, 聚合函数) ⑥ ORDER BY ⑦ LIMIT / OFFSET

下面逐步详解每一步做了什么，以及 Spark SQL 的特殊之处。

① FROM & JOIN

• 动作：读取表、视图或子查询，并执行连接操作（JOIN ... ON）。

• Spark 注意点：

  • 这一步确定数据源，如果是 Hive 表，则读 Hive；如果是 DataFrame 注册的临时视图，则读内存数据。

  • JOIN 条件 (ON) 在这一步执行，用于生成连接后的行。

  • 如果有 LATERAL VIEW（如 LATERAL VIEW explode(...)），它紧跟在 FROM 表名之后，在这一步对每一行执行表生成函数，生成新列并展开。

  • TABLESAMPLE（抽样）也是在 FROM