环境：
spark-1.2.0-bin-hadoop2.4版本

spark-submit --class MyClass \
--master yarn-client \ 
 --num-executors 20 --executor-memory 5g \
--driver-memory 4g --executor-cores 4 \
 MyJar.jar

大家好，
最近我得到一个查询，它确实在同一个表上联接

SELECT columns_I_need
FROM
    ( 
        SELECT blablabla,column_for_join
        FROM a_huge_table
        WHERE common_expr AND expr_A
    ) a
LEFT JOIN

    ( 
        SELECT somethingelse,column_for_join
        FROM a_huge_table
        WHERE common_expr AND expr_B
    ) b
ON a.column_for_join = b.column_for_join
GROUP BY
columns_I_need
``` `a_huge_table` 是一个非常巨大的 `column_for_join` 没有索引（我不是dba，我也没办法-他们拒绝）
此查询在hive cli中需要3~5分钟（总共2个阶段，Map总数<200），但在使用 `HiveContext.sql()` ，事情以非常糟糕的方式崩溃->4个阶段，30分钟/阶段。
使用 `spark.sql.codegen` 将阶段数减少到2个，但每个阶段的时间成本不会减少。因为这个表只使用一次，所以我假设hivecontext.cachetable（）不会有多大帮助。我想spark中使用的方法和hive有些不同。
我试图挖掘Spark源，发现很难理解： `HiveContext.sql(SqlText)` 返回 `SchemaRDD(HiveContext, LogicalPlan_Created_by_Parser_using_SqlText )` ，我看到在trait中使用了logicalplan `SchemaRDDLike` =>  `sqlContext.executePlan` =>  `executedPlan.execute()` =>  `SparkPlan.execute()` 但是我找不到 `SparkPlan.execute()` 调用了任何重写版本 `SELECT` . 然后我被卡住了。我还是不明白spark是如何从Hive中获取数据的。
那么sparksql是如何工作的呢？我想知道是否有任何文档可以阅读以更好地理解sparksql？
顺便说一句， `HiveContext().sql():SchemaRDD` 不再是了，分支大师的版本现在是 `HiveContext().sql():DataFrame` . 他们改变的太快了。